用于输出的 Keras 2D 密集层答案

【问题标题】：Keras 2D Dense Layer for Output用于输出的 Keras 2D 密集层
【发布时间】：2019-07-23 16:31:49
【问题描述】：

我正在玩一个模型，该模型应该以 8x8 棋盘作为输入，编码为 224x224 灰度图像，然后输出 64x13 单热编码逻辑回归 = 方块上棋子的概率。

现在，在我不太了解的卷积层之后，如何继续获得 2D-Dense 层作为结果/目标。

我尝试将 Dense(64,13) 作为层添加到我的 Sequential 模型中，但出现错误“Dense` can accept only 1 positional arguments ('units',)”

甚至可以训练二维目标吗？

编辑1：这是我的代码的相关部分，经过简化：

# X.shape = (10000, 224, 224, 1)
# Y.shape = (10000, 64, 13)

model = Sequential([
    Conv2D(8, (3,3), activation='relu', input_shape=(224, 224, 1)),
    Conv2D(8, (3,3), activation='relu'),

    # some more repetitive Conv + Pooling Layers here

    Flatten(),

    Dense(64,13)
])

TypeError: Dense 只能接受 1 个位置参数（'units',），但您传递了以下位置参数：[64, 13]

EDIT2：正如 Anand V. Singh 所建议的，我将 Dense(64, 13) 更改为 Dense(832)，效果很好。损失 = mse。

使用“sparse_categorical_crossentropy”作为损失和 64x1 编码（而不是 64x13）不是更好吗？

【问题讨论】：

首先，请提供一个示例，包括您当前的代码：stackoverflow.com/help/mcve。其次，使用深度模型来预测棋盘格上的方块似乎有点过头了。如果这只是玩 Keras 和卷积网络的一种方式，那很好。否则，还有更传统的方法已经行之有效。
为我尝试编译的顺序模型提供了代码示例。

标签： conv-neural-network keras-layer sequential

【解决方案1】：

在 Dense 中，您只传递您期望的层数作为输出，如果您想要 (64x13) 作为输出，请将层尺寸设置为 Dense(832) (64x13 = 832)，然后再进行整形。您还需要重塑 Y 以便准确计算损失，这将用于反向传播。

# X.shape = (10000, 224, 224, 1)
# Y.shape = (10000, 64, 13)
Y = Y.reshape(10000, 64*13)
model = Sequential([
    Conv2D(8, (3,3), activation='relu', input_shape=(224, 224, 1)),
    Conv2D(8, (3,3), activation='relu'),
    # some more repetitive Conv + Pooling Layers here
    Flatten(),
    Dense(64*13)
])

这应该可以完成工作，如果它没有在失败的地方发布，我们可以继续进行。

【讨论】：

我将 Dense(64,13) 更改为 Dense(832) 并将 Y 从 64,13 变平为 64*13=832。现在用 loss=mse 训练很好。稍后我将重塑并应用 argmax。我是否会因为无法使用逻辑回归和交叉熵损失而损失性能？
@TheoH。损失将是分类交叉熵以使用逻辑回归。这是你要求的吗？
没有。我认为当我使用 Dense(64*13) 时，我必须使用 loss=mse。因为我不能使用逻辑回归，因为类没有分开。对吗？
@TheoH 如果我正确理解所有 832 值都很重要，那么是的，您确实需要使用 MSE，或者您可以使用自定义损失函数，但创建自定义损失并不容易，因为性能因为MSE，也许有一点，但我不会担心。
好的，使用“sparse_categorical_crossentropy”作为损失和64x1编码（而不是64x13）不是更好吗？

【解决方案2】：

Reshape 层允许您控制输出形状。

    Flatten(),
    Dense(64*13)
    Reshape((64,13))#2D

【讨论】：