Question

我正在玩一个模型，该模型应该以8x8的国际象棋棋盘作为输入，编码为224x224的灰度图像，然后输出64x13的一维编码逻辑回归=正方形上的棋子概率。

现在，在卷积层之后，我还不太清楚，如何继续获得2D密集层作为结果/目标。

我尝试在序列模型中添加一个Dense（64,13）作为图层，但是出现错误“ Dense`只能接受1个位置参数（'units'，”）

是否有可能训练2D目标？

EDIT1：这是我的代码的相关部分，简化了：

# X.shape = (10000, 224, 224, 1)
# Y.shape = (10000, 64, 13)

model = Sequential([
    Conv2D(8, (3,3), activation='relu', input_shape=(224, 224, 1)),
    Conv2D(8, (3,3), activation='relu'),

    # some more repetitive Conv + Pooling Layers here

    Flatten(),

    Dense(64,13)
])

TypeError：Dense只能接受1个位置参数（'units'，），但是您传递了以下位置参数：[64，13]

EDIT2：正如Anand V. Singh所建议的，我将Dense（64，13）更改为Dense（832），效果很好。损失=毫秒。

使用“ sparse_categorical_crossentropy”作为损失和64x1编码（而不是64x13）会更好吗？

Answer 1

在“密集”中，您仅传递希望作为输出的层数，如果您希望将（64x13）作为输出，则将层尺寸设置为Dense(832)（64x13 = 832），然后稍后重塑形状。您还需要调整Y的形状，以便准确计算损耗，该损耗将用于反向传播。

# X.shape = (10000, 224, 224, 1)
# Y.shape = (10000, 64, 13)
Y = Y.reshape(10000, 64*13)
model = Sequential([
    Conv2D(8, (3,3), activation='relu', input_shape=(224, 224, 1)),
    Conv2D(8, (3,3), activation='relu'),
    # some more repetitive Conv + Pooling Layers here
    Flatten(),
    Dense(64*13)
])

如果它没有发布失败的地方，那应该可以完成工作，我们可以继续进行下去。

Answer 2

Reshape 层允许您控制输出形状。

    Flatten(),
    Dense(64*13)
    Reshape((64,13))#2D

Keras 2D密集输出层

2 个答案: