如何在 Tensor Flow 2.0、keras 的 Conv2D 层中指定 input_shape

Question

我正在构建一个图像分类器模型，该模型使用 CNN 对手写数字 MNIST 28x28 灰度图像进行分类 这是我的层定义

    model = keras.Sequential()

model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)))
model.add(keras.layers.MaxPool2D((2,2)))
model.add(keras.layers.Conv2D(64,(3,3),activation='relu'))
model.add(keras.layers.MaxPool2D((2,2)))

model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(200,activation='relu'))
model.add(keras.layers.Dense(10,activation='softmax'))

但是当我拟合模型时出现此错误

 ValueError: Input 0 of layer sequential_6 is incompatible with the layer: : expected min_ndim=4, found ndim=3. Full shape received: [32, 28, 28]

我还想知道为什么我们应该在 Conv2D 层的 input_shape 中提到 1。图像形状是 28x28 但我们应该在那里提到 1。

Answer 1

应该起作用的最小更改是更改行：

model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)))

对此，删除1 ：

model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28)))

您出现错误的原因是您的输入图像是 28x28，并且您输入网络的批量大小有 32 张图像，因此是一个维度为 [32, 28, 28] 的数组。 不幸的是，我没有看到您如何将输入提供给网络。 但是您当前的代码期望的是一个维度为 [32, 28, 28, 1] 的数组。 如果这是一个可以操作的 numpy 数组，只需将它reshape()到这样的维度就可以解决问题。

我上面的建议是反过来，要求网络期望每个图像的维度为 [28,28] 的二维数组，而不是维度为 [28,28,1] 的 3D 数组

更新：

您提供了以下代码更改使其工作：

 train_image=train_image.reshape(60000, 28, 28, 1) 
 train_image=train_image / 255.0
 test_image = test_image.reshape(10000, 28, 28, 1) 
 test_image=test_image/255.0

这样做的作用是您的输入图像位于一个巨大的 numpy 数组中，您可以直接用它来拟合模型。 模型拟合函数将从该数组的第一维中选择“张量”，并为每个训练步骤创建一个批次。 批量大小为 32，因此它将隐式创建一个形状为 (32, 28, 28, 1) 的数组并将其向下传递到层。 第 2 到第 4 维只是从原始数组复制而来。

reshape()命令是改变数组的维度。 重塑之前的原始数组是 (60000, 28, 28) 并且如果将其布置为单个数字序列，则会有 6000x28x28 浮点数。 reshape()作用是将这些数字取出并填入一个 (60000, 28, 28, 1) 数组中，该数组预期为 60000x28x28x1 个数字，因此可以精确填充。