numpy和Keras中“重塑”功能的差异

Question

我的情况是使用FCN进行像素预测，我有7个类别，因此我提供了512 * 512的图像，然后提供512 * 512 * 7进行模型预测，我想根据（高度宽度通道）保存最终结果。

由于我最后使用通道，所以输入形状对我来说很有意义。但是Keras拆分出的输出形状的形式我相信是：

                 (channels*height *width).

我的尝试是使用功能“重塑”，它的工作原理... 真的让我感到困惑，在我的实验中，当我使用重塑功能时，图像完全被弄乱了，在这种情况下，它的确表现得很好（在Keras中使用重塑功能）。

pr = m.predict( np.array([X]))[0]

#reshape to channel last and take the largest index in 7 predictions for each piexl 
pr = pr.reshape(( output_height ,  output_width , n_classes ) ).argmax(axis=-1)

我期望应该能正常工作的方式应该是类似于np moveaxis或numpy.rollaxis。 预先感谢！

Answer 1

默认情况下，Keras已经为channels_last，因此您可能没有进行任何调整。

选中model.summary()以查看形状。

您是正确的，如果您打算更改频道顺序，则重塑会弄乱图像。因此，您将寻找Permute((3,1,2))层以最后移动到第一个或Permute((2,3,1)层首先移动到最后。