"ValueError：形状必须为 4 级，但对于 '{{node Conv2D_5}} 为 0 级，tf.nn.conv2d"

Question

我想构建一个具有以下架构的卷积模型：
CONV2D -> RELU -> MAXPOOL -> CONV2D -> RELU -> MAXPOOL -> 展平 -> DENSE
论据：
input_img -- 输入数据集，形状 (input_shape)

Returns:
model -- TF Keras model (object containing the information for the entire training process)  

所以这是我到目前为止所做的代码：

def convolutional_model(input_shape):

    input_img = tf.keras.Input(shape=input_shape)
    ## CONV2D: 8 filters 4x4, stride of 1, padding 'SAME'
    Z1 = tf.nn.conv2d(input_img,filters=8 ,strides=[1, 1, 1, 1], padding='SAME')
    ## RELU
    A1 = tf.nn.relu(Z1)
    ## MAXPOOL: window 8x8, stride 8, padding 'SAME'
    P1 = tf.nn.max_pool(A1, ksize = [1, 8, 8, 1], strides = [1, 8, 8, 1], padding='SAME')
    ## CONV2D: 16 filters 2x2, stride 1, padding 'SAME'
    Z2 = tf.nn.conv2d(P1, strides=[1, 1, 1, 1], padding='SAME')
    ## RELU
    A2 = tf.nn.relu(Z2)
    ## MAXPOOL: window 4x4, stride 4, padding 'SAME'
    P2 = tf.nn.max_pool(A2, ksize = [1, 4, 4, 1], strides = [1, 4, 4, 1], padding='SAME')
    ## FLATTEN
    F = tf.contrib.layers.flatten(P2)
    ## Dense layer
    ## 6 neurons in output layer. Hint: one of the arguments should be "activation='softmax'" 
    outputs = tf.contrib.layers.fully_connected(P, 6, activation_fn='softmax')

    model = tf.keras.Model(inputs=input_img, outputs=outputs)
    return model

我收到以下错误：

ValueError: Shape must be rank 4 but is rank 0 for '{{node Conv2D_5}} = Conv2D[T=DT_FLOAT, data_format="NHWC", dilations=[1, 1, 1, 1], explicit_paddings=[], padding="SAME", strides=[1, 1, 1, 1], use_cudnn_on_gpu=true](input_10, Conv2D_5/filter)' with input shapes: [?,64,64,3], [].

有人可以帮忙吗？ 如果我的代码中有任何其他错误，请对它们发表评论，我一直在为 Coursera Deeplearning 规范课程的这项作业而苦苦挣扎

Answer 1

tf.keras.Input(shape=(...))<\/code>创建一个符号张量，它允许我们仅通过知道模型的输入和输出来创建模型。 所以它是张量的占位符（但它本身不是张量）。 tf.nn.conv2d(input)<\/code>对给定的输入执行卷积。 它不是模型层（不可训练），只是一个功能。 因此，当向tf.nn.conv2d()<\/code>作为输入时，它会抛出错误。

如果您正在尝试构建模型，请使用tf.keras.layers.Conv2D()<\/code> 。

请参阅 tf.keras.Input 的tf.keras.Input<\/code>文档https:\/\/www.tensorflow.org\/api_docs\/python\/tf\/keras\/Input<\/a>

请参阅 tf.nn.conv2d 的tf.nn.conv2d<\/code>文档https:\/\/www.tensorflow.org\/api_docs\/python\/tf\/nn\/conv2d<\/a>

Answer 2

Z1 = tf.keras.layers.Conv2D(filters = 8,kernel_size= (4,4), strides=(1,1), padding='SAME')(input_img)
## RELU
A1 = tf.keras.layers.ReLU()(Z1)
## MAXPOOL: window 8x8, stride 8, padding 'SAME'
P1 = tf.keras.layers.MaxPool2D(pool_size=(8,8), strides =(8,8), padding='SAME')(A1)
## CONV2D: 16 filters 2x2, stride 1, padding 'SAME'
Z2 = tf.keras.layers.Conv2D(filters = 16,kernel_size= (2,2),strides =(1,1), padding='SAME')(P1)
## RELU
A2 = tf.keras.layers.ReLU()(Z2)
## MAXPOOL: window 4x4, stride 4, padding 'SAME'
P2 = tf.keras.layers.MaxPool2D(pool_size=(4,4), strides =(4,4), padding='SAME')(A2)
## FLATTEN
F = tf.keras.layers.Flatten()(P2)
## Dense layer
## 6 neurons in output layer. Hint: one of the arguments should be "activation='softmax'" 
outputs = tf.keras.layers.Dense(units = 6, activation = 'softmax')(F)