张量流重塑和调整层大小的错误

Question

我想在使用 Conv2D 和其他图层之前在第一层中重塑和调整图像大小。 输入将是一个扁平化数组。 这是我的代码：

#Create flat example image:
img_test = np.zeros((120,160))
img_test_flat = img_test.flatten()

reshape_model = Sequential()
reshape_model.add(tf.keras.layers.InputLayer(input_shape=(img_test_flat.shape)))
reshape_model.add(tf.keras.layers.Reshape((120, 160,1)))
reshape_model.add(tf.keras.layers.experimental.preprocessing.Resizing(28, 28, interpolation='nearest'))

result = reshape_model(img_test_flat)
result.shape

不幸的是，这段代码导致了我在下面添加的错误。 有什么问题，我如何正确地重塑和调整 flattend 数组的大小？

    WARNING:tensorflow:Model was constructed with shape (None, 19200) for input Tensor("input_13:0", shape=(None, 19200), dtype=float32), but it was called on an input with incompatible shape (19200,).

InvalidArgumentError: Input to reshape is a tensor with 19200 values, but the requested shape has 368640000 [Op:Reshape]

编辑：我试过：

reshape_model = Sequential()
reshape_model.add(tf.keras.layers.InputLayer(input_shape=(None, img_test_flat.shape[0])))
reshape_model.add(tf.keras.layers.Reshape((120, 160,1)))
reshape_model.add(tf.keras.layers.experimental.preprocessing.Resizing(28, 28, interpolation='nearest'))

这给了我：

WARNING:tensorflow:Model was constructed with shape (None, None, 19200) for input Tensor("input_19:0", shape=(None, None, 19200), dtype=float32), but it was called on an input with incompatible shape (19200,).

EDIT2：我从一维数组中接收到 C++ 中的输入并将其传递给

  // Copy value to input buffer (tensor)
  for (size_t i = 0; i < fb->len; i++){
    model_input->data.i32[i] = (int32_t) (fb->buf[i]);

所以我传递给模型的是一个平面阵列。

Answer 1

你在这里使用形状根本没有意义。 输入的第一个维度应该是样本数。 它应该是 19,200 还是 1 个样本？

input_shape应该省略样本数，所以如果你想要 1 个样本，输入形状应该是 19,200。 如果您有 19,200 个样本，则形状应为 1。

reshapeing层也省略了样本的数量，所以Keras就糊涂了。 你到底想做什么？

这似乎是您想要实现的大致目标，但我个人会在神经网络之外调整图像大小：

import numpy as np
import tensorflow as tf

img_test = np.zeros((120,160)).astype(np.float32)
img_test_flat = img_test.reshape(1, -1)

reshape_model = tf.keras.Sequential()
reshape_model.add(tf.keras.layers.InputLayer(input_shape=(img_test_flat.shape[1:])))
reshape_model.add(tf.keras.layers.Reshape((120, 160,1)))
reshape_model.add(tf.keras.layers.Lambda(lambda x: tf.image.resize(x, (28, 28))))

result = reshape_model(img_test_flat)

print(result.shape)

TensorShape([1, 28, 28, 1])

随意使用Resizing层而不是Lambda层，由于我的 Tensorflow 版本，我无法使用它。