來自 keras 密集層的意外 output 形狀

Question

我嘗試創建一個僅具有一個隱藏層的最小非卷積NN 圖像二進制分類器（作為更復雜模型之前的實踐）：

def make_model(input_shape):
    inputs = keras.Input(shape=input_shape)
    x = layers.Dense(128, activation="ReLU")(inputs)
    outputs = layers.Dense(1, activation="sigmoid")(x)
    return keras.Model(inputs, outputs)
model = make_model(input_shape=(256, 256, 3))

它的model.summary()顯示

Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 input_1 (InputLayer)        [(None, 256, 256, 3)]     0                                                                       
 dense (Dense)               (None, 256, 256, 128)     512                                                                    
 dense_1 (Dense)             (None, 256, 256, 1)       129                                                      
=================================================================
Total params: 641
Trainable params: 641
Non-trainable params: 0

由於dense_1層只有一個神經元，我對這一層的期望是(None, 1)的output形狀（即，表示預測的二進制標簽的單個數字），而是model給出(None, 256, 256, 1) 256，256 (None, 256, 256, 1) .

我的 model 設置有什么問題，如何才能正確設置？

Answer 1

如果你想使用 output 形狀(None, 1)你必須壓平你荒謬的大張量：

import tensorflow as tf

def make_model(input_shape):
    inputs = tf.keras.layers.Input(shape=input_shape)
    x = tf.keras.layers.Dense(128, activation="relu")(inputs)
    x = tf.keras.layers.Flatten()(x)
    outputs = tf.keras.layers.Dense(1, activation="sigmoid")(x)
    return tf.keras.Model(inputs, outputs)

model = make_model(input_shape=(256, 256, 3))
print(model.summary())

Answer 2

您的 function make_model中有一個錯誤。

def make_model(input_shape):
    inputs = keras.Input(shape=input_shape)
    x = layers.Dense(128, activation="ReLU")(x)
    outputs = layers.Dense(1, activation="sigmoid")(x)
    return keras.Model(inputs, outputs)

您可能希望第二行是

x = layers.Dense(128, activation="ReLU")(inputs)

並不是

x = layers.Dense(128, activation="ReLU")(x)

不幸的是， x存在於 scope 中，所以它沒有拋出錯誤。