Keras中CNN輸入維度報(bào)錯(cuò)怎么辦

這篇文章將為大家詳細(xì)講解有關(guān)Keras中CNN輸入維度報(bào)錯(cuò)怎么辦，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

想要寫分類器對(duì)圖片進(jìn)行分類，用到了CNN。然而，在運(yùn)行程序時(shí)，一直報(bào)錯(cuò)：

ValueError: Negative dimension size caused by subtracting 5 from 1 for ‘conv2d_1/convolution' (op: ‘Conv2D') with input shapes: [?,1,28,28], [5,5,28,30].

這部分提到的代碼是這樣的,這是我的分類器的輸入層：

model.add(Conv2D(30,(5, 5), input_shape=(1, 28, 28), activation='relu',padding="valid"))

問題出在input_shape上，報(bào)錯(cuò)的大意就是我的輸入的維度是錯(cuò)誤的。

百思不得其解，在Stackoverflow上找到了答案：

Keras的圖片處理文檔中給出：

dim_ordering: One of {“th”, “tf”}. “tf” mode means that the images should have shape (samples, height, width, channels), “th” mode means that the images should have shape (samples, channels, height, width). It defaults to the image_dim_ordering value found in your Keras config file at ~/.keras/keras.json. If you never set it, then it will be “tf”.

翻譯過來意思就是：關(guān)于圖片的維度順序有兩種類型，分別是“th”和”tf“，它們的差別如下：

圖片維序類型為 th 時(shí)（dim_ordering='th'）： 輸入數(shù)據(jù)格式為[samples][channels][rows][cols]；

# 圖片維序類型為 tf 時(shí)（dim_ordering='tf'）： 輸入數(shù)據(jù)格式為[samples][rows][cols][channels]；

在Keras里默認(rèn)的是“tf”順序，如果想要改為“th”順序，需要手動(dòng)在前面加上如下代碼：

from keras import backend as K

K.set_image_dim_ordering('th')

現(xiàn)在回頭看我的輸入維度順序，顯然是用了th的格式，

model.add(Conv2D(30,(5, 5), input_shape=(1, 28, 28), activation='relu',padding="valid"))

所以，程序一定會(huì)報(bào)錯(cuò)。

于是在建立模型前加入了前面提到的代碼。

至此，該問題解決。

補(bǔ)充知識(shí)：Keras一維卷積維度報(bào)錯(cuò)

在使用Keras維度報(bào)錯(cuò)的時(shí)候很有可能是因?yàn)樵诔鼗瘜映鲥e(cuò)。卷積層里面的維度一般都是3維數(shù)據(jù)，但是在池化是如果設(shè)置是這樣的，那么輸出的就是二維數(shù)據(jù)：

model.add(Conv1D(filters=23, kernel_size=4, activation='relu'))

model.add(AveragePooling1D())

如果下面接的還是卷積層的話，這樣的池化輸出是會(huì)報(bào)錯(cuò)的，這個(gè)時(shí)候就需要讓池化層的輸出為3維，這樣設(shè)置就可以了：

model.add(Conv1D(filters=23, kernel_size=4, activation='relu'))

model.add(AveragePooling1D(2, strides=2))

另外，在卷積層后跟著全連接層的話，中間一般是要加flatten層，使數(shù)據(jù)輸出為全連接層能接受的2維，否則的話可能網(wǎng)絡(luò)結(jié)果是錯(cuò)的。

關(guān)于Keras中CNN輸入維度報(bào)錯(cuò)怎么辦就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。