如何获得所需的尺寸作为 Tensorflow（Keras）输出？

Question

总的来说，我对机器学习和 Tensorflow 还是很陌生。我正在尝试为模型提供 800x800x1 尺寸的图像，并尝试获取 800x800x1 尺寸的图像作为输出。

我正在尝试为模型提供这张图片，

---

并尝试重新创建下面给出的所需版本，

到目前为止，我的模型是，

model = models.Sequential()
model.add(layers.Conv2D(32, (5, 5), activation='relu', input_shape=(800, 800, 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(128, (3, 3), activation='relu'))

以及模型的总结，

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_70 (Conv2D)           (None, 796, 796, 32)      832       
_________________________________________________________________
max_pooling2d_36 (MaxPooling (None, 398, 398, 32)      0         
_________________________________________________________________
conv2d_71 (Conv2D)           (None, 396, 396, 64)      18496     
_________________________________________________________________
max_pooling2d_37 (MaxPooling (None, 198, 198, 64)      0         
_________________________________________________________________
conv2d_72 (Conv2D)           (None, 196, 196, 128)     73856     
=================================================================
Total params: 93,184
Trainable params: 93,184
Non-trainable params: 0

从最后一个卷积层输出可以看出，形状为(196,196,128)。 所以我想知道如何在输出中实现所需的 800x800x1 尺寸。我知道问题出在我的层面，但没有必要的知识来研究问题。非常感谢任何想法或指导方针。

谢谢。 祝你有美好的一天！

Answer 1

确切地说，这就是您在 Keras 中实现转置卷积的方式。在这里你应该得到最后一层输出(800x800x1)。在 Conv2DTranspose 中设置 strides 非常重要，因为这就是实现上采样的方式。

from tensorflow.keras import layers, models

model = models.Sequential()
model.add(layers.Conv2D(32, (5, 5), activation='relu', padding='same', input_shape=(800, 800, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), padding='same', activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), padding='same', activation='relu'))
model.add(layers.Conv2DTranspose(64, (3, 3), strides=(2,2), padding='same', activation='relu'))
model.add(layers.Conv2DTranspose(1, (3, 3), strides=(2,2), padding='same', activation='relu'))

model.summary()