为什么我需要将输入数据重塑为 Conv2D 的附加维度？答案

【问题标题】：Why do I need to reshape my input data to an additional dimension for Conv2D?为什么我需要将输入数据重塑为 Conv2D 的附加维度？
【发布时间】：2020-02-25 23:36:57
【问题描述】：

我是 tensorflow 的新手，我有一个这种格式的 numpy 输入数据：

x_train_n.shape = (200,64,2048)

意思是200是训练数据集的个数，64是H，2048是W

当我想将此输入提供给我的网络时，首先我必须对其进行重塑：

x_train_n = x_train_n.reshape(x_train_n.shape[0], 1, rows, cols)

然后

inputs = Input(shape=x_train_n.shape[1:])

output1 = Conv2D(32, (3, 15), strides=(1, 2), padding='same', data_format='channels_first', input_shape=x_train_n.shape[1:])(inputs)

否则我得到 Conv2d 预期有 4 个维度但维度为 3 个错误的错误。

这是正确的做法吗？如果是这样，为什么这有意义？

为什么不重塑就不能跟随？

output1 = Conv2D(32, (3, 15), strides=(1, 2), padding='same', data_format='channels_first', input_shape=x_train_n.shape())(inputs)

【问题讨论】：

标签： python tensorflow input keras deep-learning

【解决方案1】：

Conv2D 需要 4 个正确的维度，它们是：(BatchSize, Channel, Width, Height)。

对于彩色图像，颜色强度通常有 3 个通道 RGB，对于灰度图像只有一个。

【讨论】：

【解决方案2】：

是的，这是正确的做法。

Conv2D 层应用于二维数据。 2D 数据可能有多个通道。在您的情况下，通道数等于 1。因此，Conv2D 旨在应用于多个通道，您必须添加这个额外的维度来声明您的数据有多少个通道（在您的情况下为 1 个通道）

【讨论】：

【解决方案3】：

这是有道理的。卷积层需要多个输入通道。对于 RBG 图像，该数字为 3。对于某些数据（例如灰度图像或显然您拥有的任何数据），通道数为 1。但是，该通道仍然需要明确存在 - 它不能简单地存在暗示。

【讨论】：