input_shape在keras中的2D卷积层

Question

在Keras的文档Convolution2D的input_shape一个128×128的RGB图像由下式给出input_shape=(3, 128, 128)因而我计算第一组分应该是平面（或特征的层）的数量。

如果我运行以下代码：

model = Sequential()
model.add(Convolution2D(4, 5,5, border_mode='same', input_shape=(3, 19, 19), activation='relu'))
print(model.output_shape)

我得到一个(None, 3, 19, 4) output_shape ，而在我的理解中，这应该是(None, 4, 19, 19) output_shape (None, 3, 19, 4) ，其中4个是过滤器的数量。

这是来自keras文档的示例中的错误还是我遗漏了什么？

（我正在尝试重新创建AlphaGo的一部分，因此19x19是与图像大小相对应的电路板尺寸。）

Answer 1

您使用Theano维度排序(channels, rows, cols)作为输入，但您的Keras似乎使用Tensorflow (rows, cols, channels) 。

因此，您可以直接在代码中切换到Theano维度排序：

import keras.backend as K K.set_image_dim_ordering('th')

或者编辑keras.json文件（通常在~\\.keras ）并切换

"image_dim_ordering": "tf"到"image_dim_ordering": "th"

或者您可以保持Tensorflow维度排序并将input_shape切换为(19,19,3)

Answer 2

是的，它应该是（无，4,19,19）。 在keras中有一个叫做dim_ordering东西决定了哪个索引应该放置number of input channels的number of input channels 。 请查看文档中“dim_ordering”参数的文档 。 我的设置为'tf'。

所以; 只需将input shape更改为(19, 19, 3)

model.add(Convolution2D(4, 5,5, border_mode='same', input_shape=(19, 19,3), activation='relu'))

然后检查输出形状。

您还可以修改dim_ordering文件中通常在~/.keras/keras.json根据自己的喜好