Keras convolutionnel autoencoder ne fonctionne pas

Je teste la autoencoder convolutionnel de l'auteur de Keras juste ici: https://blog.keras.io/building-autoencoders-in-keras.html Keras convolutionnel autoencoder ne fonctionne pas

Mais je ce problème:

Exception: Error when checking model target: expected convolution2d_7 to have shape (None, 8, 32, 1) but got array with shape (60000, 1, 28, 28)

Je précise, je l'ai déjà setted le champ 'border_mode =' same '' dans la dernière couche de conv. Je ne sais vraiment pas d'où il vient de .. Voici le résumé:

Layer (type)      Output Shape   Param #   Connected to      
     ==================================================================================================== 
input_1 (InputLayer)    (None, 1, 28, 28)  0            
____________________________________________________________________________________________________ 
convolution2d_1 (Convolution2D) (None, 1, 28, 16)  4048  input_1[0][0]      
____________________________________________________________________________________________________ 
maxpooling2d_1 (MaxPooling2D) (None, 1, 14, 16)  0   convolution2d_1[0][0]    
     ______________________________________________________________________________ ______________________ 
convolution2d_2 (Convolution2D) (None, 1, 14, 8)  1160  maxpooling2d_1[0][0]    
____________________________________________________________________________________________________ 
maxpooling2d_2 (MaxPooling2D) (None, 1, 7, 8)  0   convolution2d_2[0][0]    
____________________________________________________________________________________________________ 
convolution2d_3 (Convolution2D) (None, 1, 7, 8)  584   maxpooling2d_2[0][0]    
____________________________________________________________________________________________________ 
maxpooling2d_3 (MaxPooling2D) (None, 1, 4, 8)  0   convolution2d_3[0][0]    
____________________________________________________________________________________________________ 
convolution2d_4 (Convolution2D) (None, 1, 4, 8)  584   maxpooling2d_3[0][0]    
____________________________________________________________________________________________________ 
upsampling2d_1 (UpSampling2D) (None, 2, 8, 8)  0   convolution2d_4[0][0]    
____________________________________________________________________________________________________ 
convolution2d_5 (Convolution2D) (None, 2, 8, 8)  584   upsampling2d_1[0][0]    
____________________________________________________________________________________________________ 
upsampling2d_2 (UpSampling2D) (None, 4, 16, 8)  0   convolution2d_5[0][0]    
____________________________________________________________________________________________________ 
convolution2d_6 (Convolution2D) (None, 4, 16, 16)  1168  upsampling2d_2[0][0]    
____________________________________________________________________________________________________ 
upsampling2d_3 (UpSampling2D) (None, 8, 32, 16)  0   convolution2d_6[0][0]    
______________________________________________________________________________ ______________________ 

convolution2d_7 (Convolution2D) (None, 8, 32, 1)  145    

upsampling2d_3[0][0]    
==================================================================================================== 
Total params: 8273 
____________________________________________________________________________________________________

Source

2016-12-27 Pusheen_the_dev

Cette question est peut-être une copie de: http://stackoverflow.com/questions/39848466/tensorflow-keras-convolution2d-valueerror-filter-must-not-be-larger-than-t?noredirect=1#comment67013494_39848466 –

Salut, J'ai vu ce fil de discussion, en effet, le dim_ordering doit être changé en dim. (1, x, x) Mais, le problème reste le même, maintenant, le réseau s'attendre (1,28,28), mais obtenir (1,32,32) Je comprends que c'est à cause de la dernière couche upsampling, mais le dernier conv avec le filtre de taille 3x3 devrait arranger cela non? –

a finalement trouvé la réponse. Je pense que le créateur du tutoriel l'a testé avec des images 32x32 MNIST et non 28x28. Parce que, lors de l'ajout à la dernière couche conv border_mode = 'same', vous obtenez une forme de sortie de (32,32,1) Donc, pour obtenir la bonne sortie (28,28,1), vous devez ajoute border_mode = 'valide' au précédent couche de conv.

En résumé: Corrigez l'ordre des dimensions en 28x28x1 au lieu de 1x28x28. Ensuite, ajoutez le même mode de bordure à la dernière couche de conv. Enfin, ajoutez le mode de bordure valide à la dernière couche de conv.

Espérons que cela aidera.

Source

2016-12-27 15:54:41

Keras convolutionnel autoencoder ne fonctionne pas

Répondre

Questions connexes