python - 如何使用 Keras 中的 Conv2DTranspose 获得与原始输入大小相同的层？

Question

这是我的模型的摘要。

我的模型基本上类似于卷积网络。

我希望我的模型能够工作，无论输入的宽度如何。因此宽度大小显示为None。

我使用 Conv2DTranspose 将解码器附加到我的模型。

但是，有一个问题。

我期望 Conv2DTranspose 的结果与输入的大小相同，但它不一样。

我将stride设置为2以减少参数数量，padding模式是same，但当尺寸为奇数时我发现了一个问题。

以下函数用于ConvCapsuleLayer(自定义层)中的卷积运算。

conv = K.conv2d(input_tensor_reshaped, self.W, (self.strides, self.strides),
                    padding=self.padding, data_format='channels_last')

我使用 Conv2DTranspose 作为解码器，如下所示。

recon_1 = layers.Conv2DTranspose(4, (5,5), strides=(2, 2), padding='same',  kernel_initializer='he_normal', name='decoder_1', activation='relu')(mask_layer)                
recon_2 = layers.Conv2DTranspose(8, (5,5), strides=(2, 2), padding='same',  kernel_initializer='he_normal', name='decoder_2', activation='relu')(recon_1)                
recon_3 = layers.Conv2DTranspose(1, (1,1), strides=(1, 1), padding='same',  kernel_initializer='he_normal', name='decoder_3', activation='linear')(recon_2)

然后我收到以下错误消息。

InvalidArgumentError (see above for traceback): Incompatible shapes: [1,200,824,1] vs. [1,200,823,1]

当尺寸为奇数时，如何解决这种差异？

Answer 1

如果您使用 2 倍的连续下采样(由于步长)，然后进行反卷积 (Conv2DTranspose)，将大小乘以 2(同样由于步长=2)，则只能使用偶数维度。

如果您绝对必须拥有奇数维度的输入，则必须使用填充或丢弃一行。如果您使用连续的下采样操作(无论是使用步幅还是使用 MaxPooling)，您还必须小心。在每次降维操作之前，您的维度必须是下采样因子的倍数。