Tensorflow体系结构用于基于像素的图像分类

Question

我有一个包括4个波段的RGBI图像，并希望能够使用张量流和深度学习将图像像素分类为两类。 在训练数据中，每个像素被视为具有4个值/特征的观察值作为图像强度。 我使用以下功能创建网络

def deep_learn(X,Y,X_test,Y_test):

    net = input_data(shape=[None, 1,4])
    net = tflearn.lstm(net, 128, return_seq=True)
    net = tflearn.lstm(net, 128)
    net = tflearn.fully_connected(net, 2, activation='softmax')
    net = tflearn.regression(net, optimizer='adam',
                             loss='categorical_crossentropy', name="deep")
    model = tflearn.DNN(net, tensorboard_verbose=2)
    model.fit(X, Y, n_epoch=1, validation_set=0.1, show_metric=True,
              snapshot_step=100)
    # Save model when training is complete to a file
    model.save("deep")
    return model

但我收到以下错误

ValueError：无法为张量为'（？，1，4）'的张量'InputData / X：0'输入形状（64，4）的值

我不知道问题出在哪里。 使用深度神经网络与随机森林进行基于像素的分类有什么好处吗？ 如果是的话，如何使用以上功能执行此操作。

谢谢。

Answer 1

您需要扩展变量X的尺寸，以解决LSTM中的时间步长。 而不是直接传递X ，而是使用np.expand_dims

X = np.expand_dims(X, axis=1)