1通道图像/1输入通道卷积神经网络

Question

我正在为图像跟踪一个关于tensorflow使用卷积神经网络的教程，但我希望用灰度图像来实现它。如果是针对灰度图像而不是3个通道的彩色图像，那么在那里发布的代码会有什么不同呢？

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

Answer 1

以下是更新的灰度图像代码：

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

为什么？

因为对于RGB图像，有3个通道，'R'，'G‘和'B’所以，输入的形状将是(height, width, 3)

但是由于灰度只有一个通道，所以输入的形状变成(height, width, 1)。

注意，如果您使用带有Tensorflow后端的Keras，那么data_format是channels_last，这意味着输入形状应该是(height, width, channels)。

否则，如果您使用Theano作为后端，则输入形状应该是(channels, height, width)，因为Theano使用channels_first数据格式。

希望这能帮上忙。如果有帮助，请投上票。

Answer 2

input_shape=(32, 32, 3)))

会变成

 input_shape=(32, 32, 1)))

通道默认是最后一个参数。

...When使用该层作为模型的第一层，提供关键字参数input_shape (整数元组，不包括样本轴)，例如input_shape=(128、128、3)用于data_format=“channels_last.”中的128x128 RGB图片。

参参-Keras