Question

请原谅我的无知，因为我是该地区的新手。我试图从我的神经网络获得正确的输出形状，其具有3个Conv2D层，然后是2个密集层。我的输入形状是（140,140,4），它们是4个灰度图像。当我输入1输入时，我期望输出为（1,4）但我在这里得到（14,14,4）的形状。我在这做错了什么？非常感谢您的帮助！

meta_layers = [Conv2D, Conv2D, Conv2D, Dense, Dense]
meta_inits = ['lecun_uniform'] * 5
meta_nodes = [32, 64, 64, 512, 4]
meta_filter = [(8,8), (4,4), (3,3), None, None]
meta_strides = [(4,4), (2,2), (1,1), None, None]
meta_activations = ['relu'] * 5
meta_loss = "mean_squared_error"
meta_optimizer=RMSprop(lr=0.00025, rho=0.9, epsilon=1e-06)
meta_n_samples = 1000
meta_epsilon = 1.0;
    meta = Sequential()
    meta.add(self.meta_layers[0](self.meta_nodes[0], init=self.meta_inits[0], input_shape=(140, 140, 4), kernel_size=self.meta_filters[0], strides=self.meta_strides[0]))
    meta.add(Activation(self.meta_activations[0]))
    for layer, init, node, activation, kernel, stride in list(zip(self.meta_layers, self.meta_inits, self.meta_nodes, self.meta_activations, self.meta_filters, self.meta_strides))[1:]:
        if(layer == Conv2D):
            meta.add(layer(node, init = init, kernel_size = kernel, strides = stride))
            meta.add(Activation(activation))
        elif(layer == Dense):
            meta.add(layer(node, init=init))
            meta.add(Activation(activation))
        print("meta node: " + str(node))
    meta.compile(loss=self.meta_loss, optimizer=self.meta_optimizer)

Answer 1

你的问题在于，在版本> = 2.0的Keras中，Dense图层应用于输入的最后一个通道（您可以阅读它here）。所以如果你申请：

Dense(512)

到具有Conv2D形状的(14, 14, 64)图层，您将获得形状为(14, 14, 512)的输出，然后Dense(4)应用于它将为您提供带有形状的输出{ {1}}。您可以拨打(14, 14, 4)方法来确认我的话。

要解决此问题，您需要将以下图层之一：model.summary()，GlobalMaxPooling2D或GlobalAveragePooling2D应用于最后一个卷积图层的输出，以便将输出压缩到只有2维（形状为Flatten。

keras卷积神经网络 - 输出形状

1 个答案: