首页 文章

微调VGG，得到：从1中减去2引起的负尺寸大小

提问于
浏览 次
1

我正在为MNIST任务微调VGG19模型 . MNIST中的图像是（28,28,1），这是一个通道 . 但是VGG希望输入（？，？，3），这是三个通道 .

所以，我的方法是在所有VGG层之前再添加一个Conv2D层，将（28,28,1）数据更改为（28,28,3），这是我的代码：

inputs = Input(shape=(28,28,1))
x = Conv2D(3,kernel_size=(1,1),activation='relu')(inputs)
print(x.shape)
# out: (?, 28, 28, 3)

现在我的输入形状是正确的（我认为） .

这是我的整个模型：＃更改输入形状：inputs =输入（shape =（28,28,1））x = Conv2D（3，kernel_size =（1,1），activation ='relu'）（输入）

# add POOL and FC layers:
x = base_model(x)
x = GlobalMaxPooling2D()(x)
x = Dense(1024,activation='relu')(x)
predictions = Dense(10,activation='softmax')(x)

model = Model(inputs=inputs, outputs=predictions)

# freeze the base_model:
for layer in base_model.layers:
    layer.trainable = False

model.compile(optimizer='adam',loss='categorical_crossentropy',metric=['accuracy'])

我得到了：

InvalidArgumentError: Negative dimension size caused by subtracting 2 from 1 for 'vgg19_10/block5_pool/MaxPool' (op: 'MaxPool') with input shapes: [?,1,1,512].

我找到了问题，一个解决方案是添加

from keras import backend as K
K.set_image_dim_ordering('th')

但它对我不起作用 .

我的代码出了什么问题？

machine-learning keras vgg-net

1 回答

  • 1

    当我们进行分类时，我们应该在输出上使用softmax激活 .

    将最后一层的激活更改为softmax

    从

    predictions = Dense(10,activation='relu')(x)

    至

    predictions = Dense(10,activation='softmax')(x)

    你导致错误的第二个错误是关于你的输入大小 . 根据keras vgg19，您的最小图像尺寸不应小于48 .

    inputs = Input(shape=(48,48,1))
    回复于

相关问题