Question

我正在建立一个图像分类器模型，该模型使用CNN对手写数字MNIST 28x28灰度图像进行分类这是我的图层定义

    model = keras.Sequential()

model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)))
model.add(keras.layers.MaxPool2D((2,2)))
model.add(keras.layers.Conv2D(64,(3,3),activation='relu'))
model.add(keras.layers.MaxPool2D((2,2)))

model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(200,activation='relu'))
model.add(keras.layers.Dense(10,activation='softmax'))

但是当我拟合模型时出现此错误

 ValueError: Input 0 of layer sequential_6 is incompatible with the layer: : expected min_ndim=4, found ndim=3. Full shape received: [32, 28, 28]

我也想知道为什么我们应该在Conv2D图层的input_shape中提到1。图像的形状是28x28，但是我们应该在那里提到1。

Answer 1

应该起作用的最小更改是更改行：

model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)))

为此，删除1：

model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28)))

出现错误的原因是您输入的图像为28x28，并且您投放到网络中的批量大小为32张图像，因此是一个数组[32，28，28]。不幸的是，我看不到您如何将输入提供给网络。但是您当前的代码期望的是一个尺寸为[32，28，28，1]的数组。如果那是您可以操纵的numpy数组，只需将reshape()设置为这样的维度就可以解决问题。

我上面建议的是反过来做，让网络期望尺寸为[28,28]的2D数组而不是尺寸为[28,28,1]的3D数组的每个图像

更新：

您提供了以下代码更改来使其起作用：

 train_image=train_image.reshape(60000, 28, 28, 1) 
 train_image=train_image / 255.0
 test_image = test_image.reshape(10000, 28, 28, 1) 
 test_image=test_image/255.0

这是因为您的输入图像位于一个巨大的numpy数组中，并且您直接将其与模型拟合。模型拟合功能将从其数组的第一个维度中选择“张量”，并为每个训练步骤创建一批。批处理大小为32，因此它将隐式创建一个形状数组（32、28、28、1）并将其向下传递到各层。仅从原始数组复制第二到第四维。

reshape()命令用于更改数组的尺寸。重整前的原始数组为（60000，28，28），如果将其按单个数字序列进行布局，则将有6000x28x28个浮点数。 reshape()要做的是拾取这些数字并将它们填充到（60000，28，28，1）数组中，该数组期望60000x28x28x1个数字，以便可以准确填充。

如何在Tensor Flow 2.0中的Conv2D图层中指定输入形状

1 个答案: