解决Keras中CNN输入维度报错问题
想要写分类器对图片进行分类,用到了CNN。然而,在运行程序时,一直报错:
ValueError: Negative dimension size caused by subtracting 5 from 1 for ‘conv2d_1/convolution' (op: ‘Conv2D') with input shapes: [?,1,28,28], [5,5,28,30].
这部分提到的代码是这样的,这是我的分类器的输入层:
model.add(Conv2D(30,(5, 5), input_shape=(1, 28, 28), activation='relu',padding="valid"))
问题出在input_shape上,报错的大意就是我的输入的维度是错误的。
百思不得其解,在Stackoverflow上找到了答案:
Keras的图片处理文档中给出:
dim_ordering: One of {“th”, “tf”}. “tf” mode means that the images should have shape (samples, height, width, channels), “th” mode means that the images should have shape (samples, channels, height, width). It defaults to the image_dim_ordering value found in your Keras config file at ~/.keras/keras.json. If you never set it, then it will be “tf”.
翻译过来意思就是:关于图片的维度顺序有两种类型,分别是“th”和”tf“,它们的差别如下:
图片维序类型为 th 时(dim_ordering='th'): 输入数据格式为[samples][channels][rows][cols];
# 图片维序类型为 tf 时(dim_ordering='tf'): 输入数据格式为[samples][rows][cols][channels];
在Keras里默认的是“tf”顺序,如果想要改为“th”顺序,需要手动在前面加上如下代码:
from keras import backend as K
K.set_image_dim_ordering('th')
现在回头看我的输入维度顺序,显然是用了th的格式,
model.add(Conv2D(30,(5, 5), input_shape=(1, 28, 28), activation='relu',padding="valid"))
所以,程序一定会报错。
于是在建立模型前加入了前面提到的代码。
至此,该问题解决。
补充知识:Keras一维卷积维度报错
在使用Keras维度报错的时候很有可能是因为在池化层出错。卷积层里面的维度一般都是3维数据,但是在池化是如果设置是这样的,那么输出的就是二维数据:
model.add(Conv1D(filters=23, kernel_size=4, activation='relu'))
model.add(AveragePooling1D())
如果下面接的还是卷积层的话,这样的池化输出是会报错的,这个时候就需要让池化层的输出为3维,这样设置就可以了:
model.add(Conv1D(filters=23, kernel_size=4, activation='relu'))
model.add(AveragePooling1D(2, strides=2))
另外,在卷积层后跟着全连接层的话,中间一般是要加flatten层,使数据输出为全连接层能接受的2维,否则的话可能网络结果是错的。
以上这篇解决Keras中CNN输入维度报错问题就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。