Keras序列模型中的資料增強層

我正在嘗試將資料增強作為一個層添加到模型中，但我遇到了我認為是形狀問題的問題。我也嘗試在增強層中指定輸入形狀。當我從模型中取出data_augmentation圖層時，它運行良好。

preprocessing.RandomFlip('horizontal', input_shape=(224, 224, 3))

  data_augmentation_layer = keras.Sequential([                                    
  preprocessing.RandomFlip('horizontal'),
  preprocessing.RandomRotation(0.2),
  preprocessing.RandomZoom(0.2),
  preprocessing.RandomWidth(0.2),
  preprocessing.RandomHeight(0.2),
  preprocessing.RandomContrast(0.2)                                  
], name='data_augmentation')



  model = keras.Sequential([
  data_augmentation_layer,
  Conv2D(filters=32,
         kernel_size=1,
         strides=1,
         input_shape=(224, 224, 3)),
  Activation(activation='relu'),
  MaxPool2D(),
  Conv2D(filters=32,
         kernel_size=1,
         strides=1),
  Activation(activation='relu'),
  MaxPool2D(),
  Flatten(),
  Dense(1, activation='sigmoid')
])```

 The last dimension of the inputs to a Dense layer should be defined. Found None. Full input shape received: (None, None)
    
    Call arguments received:
      ? inputs=tf.Tensor(shape=(None, 224, 224, 3), dtype=float32)
      ? training=True
      ? mask=None

uj5u.com熱心網友回復：

層RandomWidth和RandomHeight導致此錯誤，因為它們導致None尺寸：請參閱此處的評論：

[...]RandomHeight 將導致高度維度上的 None 形狀，因為并非圖層的所有輸出都將具有相同的高度（按設計）。這對于像 Conv2D 層這樣的東西是可以的，它可以接受可變形狀的影像輸入（在某些維度上沒有形狀）。

這不適用于然后呼叫 Flatten 后跟 Dense，因為展平的批次也將具有可變大小（因為高度可變），并且 Dense 層需要最后一個維度的固定形狀。您可能會在密集之前填充 flatten 的輸出，但如果您想要這種架構，您可能只想避免導致可變輸出形狀的影像增強層。

因此Flatten，例如，您可以使用GlobalMaxPool2D不需要事先知道其他維度的層，而不是使用層：

import tensorflow as tf

data_augmentation_layer = tf.keras.Sequential([                                    
  tf.keras.layers.RandomFlip('horizontal',
         input_shape=(224, 224, 3)),
  tf.keras.layers.RandomRotation(0.2),
  tf.keras.layers.RandomZoom(0.2),
  tf.keras.layers.RandomWidth(0.2),
  tf.keras.layers.RandomHeight(0.2),
  tf.keras.layers.RandomContrast(0.2)                                  
], name='data_augmentation')

model = tf.keras.Sequential([
data_augmentation_layer,
tf.keras.layers.Conv2D(filters=32,
        kernel_size=1,
        strides=1),
tf.keras.layers.Activation(activation='relu'),
tf.keras.layers.MaxPool2D(),
tf.keras.layers.Conv2D(filters=32,
        kernel_size=1,
        strides=1),
tf.keras.layers.Activation(activation='relu'),
tf.keras.layers.GlobalMaxPool2D(),
tf.keras.layers.Dense(1, activation='sigmoid')
])

print(model.summary())

Model: "sequential_4"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 data_augmentation (Sequenti  (None, None, None, 3)    0         
 al)                                                             
                                                                 
 conv2d_8 (Conv2D)           (None, None, None, 32)    128       
                                                                 
 activation_8 (Activation)   (None, None, None, 32)    0         
                                                                 
 max_pooling2d_6 (MaxPooling  (None, None, None, 32)   0         
 2D)                                                             
                                                                 
 conv2d_9 (Conv2D)           (None, None, None, 32)    1056      
                                                                 
 activation_9 (Activation)   (None, None, None, 32)    0         
                                                                 
 global_max_pooling2d_1 (Glo  (None, 32)               0         
 balMaxPooling2D)                                                
                                                                 
 dense_4 (Dense)             (None, 1)                 33        
                                                                 
=================================================================
Total params: 1,217
Trainable params: 1,217
Non-trainable params: 0
_________________________________________________________________
None

標籤：Python 张量流 喀拉斯

上一篇：'KerasClassifier'物件沒有屬性'summary'-嘗試從KerasClassifier構建的lstm模型中獲取摘要

下一篇：一張一張保存GAN生成的圖片