machine-learning - Keras - 使用卷积网络形状不匹配

Question

我通过以下方式构建了我的 keras 模型(这当然不是最终的生产就绪模型):

self.model = Sequential()        
self.model.add(Conv2D(32, (3, 3), input_shape=(674, 514, 1), padding='same', 
activation='relu'))
self.model.compile(loss='mean_squared_error', optimizer='adam', metrics=
['accuracy'])

模型摘要为:

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 674, 514, 32)      320       
=================================================================
Total params: 320
Trainable params: 320
Non-trainable params: 0
_________________________________________________________________

我尝试通过以下方式适应它:

self.model.fit(self.input_images, self.output_images, batch_size=32, 
epochs=10, verbose=1, shuffle=True)

训练输入和输出的形状(self.input_images, self.output_images)均为(100, 674, 514, 1)。

当我尝试训练模型时，出现以下异常:

ValueError: Error when checking target: expected conv2d_1 to have shape 
(674, 514, 32) but got array with shape (674, 514, 1)

非常感谢任何帮助。

Answer 1

与您的 output_images 不匹配。卷积层的结果是(None, 674, 514, 32)，因为它有32个滤波器。损失mean_squared_error告诉keras期望一个兼容的标签形状(所提供的output_images不是)。

模型尚未完成，通常 CNN 有许多卷积层和下采样层，因此输出形状会有所不同。但如果您愿意，可以通过将过滤器数量更改为 1 来使此模型工作...

Conv2D(1, ...)

...或者将 output_images 设为形状 (100, 674, 514, 32) 的张量。