首页 文章

Keras 2DConvolution产生非逻辑输出张量 - 32x32图像变为32xN特征映射，而不是32x32xN

提问于
浏览 次
2

根据我的理解，2D-Convolution将N个滤镜应用于输入图像，产生N个新的“图像”（=特征图） .

如果我们忽略步幅/子采样，在使用N个通道的2D卷积之后，32x32图像变为Nx32x32张量：

Convolution
但是，在Keras中，32x32输入产生32xN输出 . 所以，我的问题是，如何应用降维？这一步是否涉及另一个隐藏层？

如果是这样，网络是否失去了查看图像的能力 - 即2D实体？


此代码可以重现我的上述声明：

```java
inputs = Input(shape=(1, 32, 32,))
shared = Convolution2D(nb_filter=10, nb_row=8, nb_col=8, subsample=(1, 1), border_mode='same', activation='relu')(inputs)
print("1 => ", inputs.shape)
print("2 => ", shared.shape)
```

它产生 - 因为我们将10个滤镜（== N）应用于32x32灰度图像

> 1 =>（？，1,32,32）2 =>（？，1,32,10）

哪里？是未指定的批量大小，1是输入通道的数量（RGB为3，灰度为1） . 

正如预期的那样，输入的形状为32x32 . 但是，卷积的输出具有32xN维度而不是32x32xN
tensorflow computer-vision deep-learning keras convolution

2 回答

  • 2

    可能是因为输入格式顺序 .

    来自Keras的文档，Conv2D采用了这个参数

    data_format：一个字符串，其中一个为channels_last（默认值）或channels_first . 输入中维度的顺序 . channels_last对应于具有形状（批次，高度，宽度，通道）的输入，而channels_first对应于具有形状的输入（批次，通道，高度，宽度） . 它默认为在〜/ .keras / keras.json的Keras配置文件中找到的image_data_format值 . 如果你从未设置它，那么它将是“channels_last” .

    所以你的（1,32,32）实际上是一个有32个通道的1x32图像 . 切换到（32,32,1）或将data_format参数设置为 channels_first .

    有关更改默认行为的更多信息：https://keras.io/backend/您可以使用 keras.backend.image_data_format() 获取设置，使用 set_image_data_format(data_format) 设置 channels_first 或 channels_last .

    有这个设置，因为Theano和TF处理尺寸排序不同，它取决于您使用的支持 .

    回复于
  • 2

    不，你做错了什么 . 以下代码：

    import keras
 from keras.layers import Input, Convolution2D
 from keras.models import Model
 inputs = Input(shape=(1, 32, 32,))
 shared = Convolution2D(nb_filter=10, nb_row=8, nb_col=8,
 subsample=(1, 1), border_mode='same', activation='relu')(inputs)

 model = Model(inputs, shared)

 model.summary()

    打印以下内容：

    ____________________________________________________________________________________________________
Layer (type)                       Output Shape        Param #     Connected to                     
====================================================================================================
input_1 (InputLayer)               (None, 1, 32, 32)   0                                            
____________________________________________________________________________________________________
convolution2d_1 (Convolution2D)    (None, 10, 32, 32)  650         input_1[0][0]                    
====================================================================================================
Total params: 650
____________________________________________________________________________________________________

    你可以看到Convolution2D的输出形状确实有10个通道 . 如果区域得到不同的结果，请检查image_ordering是否正确（并且有意义） .

    回复于

相关问题