由于某些维度问题，试图实现一篇论文并遇到一些砖墙 . 我的输入是单声道音频数据，其中128帧50ms的16kHz采样音频被馈送到网络中 . 所以我的输入形状是：[128,0.005 * 16000,1]这是图层细节 -
1.）转储块：Conv1d-bank-8，LeReLU，IN（实例规范化）我使用以下方法实现：
bank_width = 8
conv_bank_outputs = tf.concat([ tf.layers.conv1d(input,1,k,activation=tf.nn.leaky_relu,padding="same") for k in range(1, bank_width + 1)], axes = -1)
2.）conv-block：C-512-5，LReLu - > C-512-5，stride = 2，LReLu，IN，RES（残差）
这就是我卡住的地方，第二卷积输出的形状和（2）层的输入不匹配 . 我无法理解它 .
我使用以下方法实现：
block_1 = tf.layers.conv1d(input,filters=512,kernel_size=5,activation=tf.nn.leaky_relu,padding="same")
block_2 = tf.layers.conv1d(block_1,filters=512,kernel_size=5,strides=2,activation=tf.nn.leaky_relu,padding="same")
IN = tf.contrib.layers.instance_norm(block_2)
RES = IN + input
错误： ValueError: Dimensions must be equal, but are 400 and 800 for 'add' (op: 'Add') with input shapes: [128,400,512], [128,800,1024].
1 回答
当您使用stride = 2在block1上运行conv1d时，输入数据减半，因为conv1d有效地仅对备用数字进行采样，并且您还更改了通道数 . 这通常通过使用步幅2和滤波器512对1x1转换进行下采样输入来解决，但如果您可以共享纸张，我可以更具体 .