3D CNN 中的 Input_shape

Question

我有一個 100000 二進制 3D arrays 的數據集，形狀為 (6, 4, 4)，所以我的輸入的形狀是 (10000, 6, 4, 4)。 我正在嘗試使用 Keras 設置 3D 卷積神經網絡 (CNN)； 但是，我輸入的 input_shape 似乎有問題。 我的第一層是：

model.add(Conv3D(20, kernel_size=(2, 2, 2), strides=(1, 1, 1), activation='relu', kernel_initializer='he_uniform', input_shape=(None, 6, 4, 4, 1)))

我收到的錯誤是：

ValueError：應定義Dense輸入的最后一個維度。 發現None 。

盡管如此，當我用 integer 替換 None 並嘗試將 model 適合我的數據集時，我得到的錯誤是：

ValueError：layersequential_13 的輸入 0 與 layer 不兼容：：預期 min_ndim=5，發現 ndim=4。 收到的完整形狀：（10、6、4、4）

這里應該修改什么？

Answer 1

帶有虛擬數據的示例：

import tensorflow as tf

x = tf.random.normal((100000, 6, 4, 4))
x.numpy().shape # (100000, 6, 4, 4) # 4 --> channel size by default

這不適用於 3D 卷積：

y = tf.keras.layers.Conv3D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4, 1))(x)
print('After convolution', y.shape)

它會說expected min_ndim=5, found ndim=4... 。 您需要向該數據添加渠道維度。 這可以通過以下方式簡單地完成：

x_expanded = tf.expand_dims(x, axis = -1)
print('Expand_dims shape', x_expanded.numpy().shape) # (100000, 6, 4, 4, 1)

y = tf.keras.layers.Conv3D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4, 1))(x_expanded)
print('After convolution', y.shape) # (100000, 4, 2, 2, 2)

或者第一次，您可以使用帶有 2D 卷積的數據：

x = tf.random.normal((100000, 6, 4, 4))
y = tf.keras.layers.Conv2D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4))(x)
print('After convolution', y.shape) # (100000, 4, 2, 2)

您還可以更改卷積層中通道的順序：

y = tf.keras.layers.Conv2D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4),
                           data_format="channels_first")(x) # --> 6 will be channels
print(y.shape) # (100000, 2, 2, 2)

編輯：

model.add(tf.keras.layers.Conv3D(2, 3, activation='relu', input_shape=(6, 4, 4, 1)))

model(x_expanded).shape # TensorShape([100000, 4, 2, 2, 2])