在 keras 中添加密集层时出错

Question

我试图实现一个简单的 Keras 猫狗分类器，但是在添加密集层时，它返回了一个值错误。 我使用 theano 作为后端。 代码如下：

from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

classifier = Sequential()
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Flatten())
classifier.add(Dense(units = 128, activation = 'relu'))

这是模型的摘要

在执行最后一行（添加密集层）时，我收到以下错误：

ValueError: ('The specified size contains a dimension with value <= 0', (-448, 128))

这是我的 keras.json 文件内容

{
    "backend": "theano",
    "image_data_format": "channels_first",
    "floatx": "float32",
    "epsilon": 1e-07
}

我找不到问题。

提前致谢！

Answer 1

您正在跨通道维度进行卷积，尝试在卷积和池化中显式设置data_format 参数，如下所示：

classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu', data_format='channels_last'))
classifier.add(Conv2D(32, (3, 3), activation = 'relu', data_format='channels_last'))
classifier.add(MaxPooling2D(pool_size = (2, 2), data_format='channels_last'))

或重塑您的数据以具有形状(3, 64, 64)。

简单来说，卷积的工作原理大致如下图所示：

您会看到灰色 过滤器 跨过图像的像素（蓝色），以提取所谓的 局部模式（绿色）。理想情况下，此过滤器的应用应沿图像的宽度和高度进行，即数据中的两个 64 维。
当我们按照惯例在通道中分割图像时，这也特别有用，通常是为了表示它们的 RGB 分量。在这种情况下，将 gif 中所示的相同过程并行应用于三个通道，并且通常可以应用于 N 个任意通道。这张图片应该有助于澄清：

长话短说，当你打电话时：

 classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

默认情况下，Keras 认为您传递给它的是具有 64 个通道的 64 x 3 图像，并尝试进行相应的卷积。这显然是错误的并且会导致负维度（注意卷积如何缩小图像的大小）。通过指定'channels_last' 格式，您可以告诉 Keras 图像的方向（组件尺寸位于最后一个“位置”），以便它能够正确地在 64 x 64 图像中进行卷积。

Answer 2

我在上面运行了你的代码，我得到的摘要与你的不同。

您应该提供更多信息，例如您使用的 keras 版本和后端...

我怀疑你的 keras.json 文件有问题

从official keras page 开始，检查您的 keras.json 文件（位于您的主目录 .keras/keras.json 中）

应该是这样的

{
    "image_data_format": "channels_last",
    "image_dim_ordering": "tf",
    "epsilon": 1e-07,
    "floatx": "float32",
    "backend": "tensorflow"
}

或

{
    "image_data_format": "channels_last",
    "image_dim_ordering": "th",
    "epsilon": 1e-07, 
    "floatx": "float32", 
    "backend": "theano"
}