卷积神经网络层

Question

我想用CNN来检测某些模式，然而，当我试图运行它们时，我的CNN的最后两层会出现错误。我在下面的代码中对这些层进行了注释。*每个Conv2D层在MaxPooling层之前重复。

  inputs = tf.keras.layers.Input(shape=(256, 256, 27), name='input_layer')
        lambda_layer = tf.keras.layers.Lambda(lambda value: value / 255)(inputs)
        xp = tf.keras.layers.Conv2D(64, 3, padding='same', activation=tf.nn.relu)(lambda_layer)
        xp = tf.keras.layers.MaxPooling2D()(xp)  # by default uses 2,2
        xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Conv2D(94, 3, padding='same', activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.MaxPooling2D()(xp)
        xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Conv2D(128, 3, padding='same', activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.MaxPooling2D()(xp)
        xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Conv2D(156, 3, padding='valid', activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.MaxPooling2D()(xp)
        xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Conv2D(256, 3, padding='same', activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.MaxPooling2D()(xp)
        xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Conv2D(394, 3, padding='same', activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.MaxPooling2D()(xp)
        xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Conv2D(458, 3, padding='same', activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.MaxPooling2D()(xp)
        xp = tf.keras.layers.BatchNormalization()(xp)
    #    xp = tf.keras.layers.Conv2D(516, 3, padding='same', activation=tf.nn.relu)(xp)
     #   xp = tf.keras.layers.Conv2D(516, 3, padding='same', activation=tf.nn.relu)(xp)
     #   xp = tf.keras.layers.MaxPooling2D()(xp)
    #    xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Dropout(0.25)(xp)
        xp = tf.keras.layers.Flatten()(xp)
        xp = tf.keras.layers.Dense(1024, activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.BatchNormalization()(xp)
        xp = tf.keras.layers.Dropout(0.25)(xp)
        xp = tf.keras.layers.Dense(512, activation=tf.nn.relu)(xp)
        xp = tf.keras.layers.Dropout(0.25)(xp)

我犯了个错误

Call arguments received:
  • inputs=tf.Tensor(shape=(None, 2, 2, 394), dtype=float32)

这意味着我可能把图像转换得太多了，所以它会出错。我能做些什么来解决这个问题？

Answer 1

是的，问题是您的输入形状不足以充分利用池。卷积层是可以的，因为您使用的是padding=“相同”，这意味着输入形状和层的输出形状是相同的。然而，每次使用内核为( 2，2) x和y的输入时，输入的维数除以2，这就是为什么过一段时间没有什么可用池。

正如您在这里所看到的，经过一段时间之后，您将耗尽数据以输入到您的层中，因为您通过过多的池压缩了它。

​

​

可能的解决办法：

1. 您可以更改输入形状

1. 减少MaxPooling2D层的数量。

1. 您可以学习如何使用步长和填充参数来更好地控制池后的输出形状。