3D CNN 中的 Input_shape

Question

我有一个包含 100000 个形状为 (6, 4, 4) 的二进制 3D 数组的数据集，因此我输入的形状是 (10000, 6, 4, 4)。我正在尝试使用 Keras 建立一个 3D 卷积神经网络（CNN）；但是，我输入的 input_shape 似乎有问题。我的第一层是：

model.add(Conv3D(20, kernel_size=(2, 2, 2), strides=(1, 1, 1), activation='relu', kernel_initializer='he_uniform', input_shape=(None, 6, 4, 4, 1)))

我收到的错误是：

ValueError：应定义Dense 输入的最后一个维度。找到None。

不过，当我用整数替换 None 并尝试将模型拟合到我的数据集时，我得到的错误是：

ValueError: 层序贯_13 的输入 0 与层不兼容: : 预期 min_ndim=5，发现 ndim=4。收到的完整形状：(10, 6, 4, 4)

这里应该修改什么？

Answer 1

虚拟数据示例：

import tensorflow as tf

x = tf.random.normal((100000, 6, 4, 4))
x.numpy().shape # (100000, 6, 4, 4) # 4 --> channel size by default

这不适用于 3D 卷积：

y = tf.keras.layers.Conv3D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4, 1))(x)
print('After convolution', y.shape)

它会说expected min_ndim=5, found ndim=4 ...。您需要向该数据添加渠道维度。这可以简单地完成：

x_expanded = tf.expand_dims(x, axis = -1)
print('Expand_dims shape', x_expanded.numpy().shape) # (100000, 6, 4, 4, 1)

y = tf.keras.layers.Conv3D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4, 1))(x_expanded)
print('After convolution', y.shape) # (100000, 4, 2, 2, 2)

或者第一次，你可以使用2D卷积的数据：

x = tf.random.normal((100000, 6, 4, 4))
y = tf.keras.layers.Conv2D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4))(x)
print('After convolution', y.shape) # (100000, 4, 2, 2)

您还可以更改卷积层中通道的顺序：

y = tf.keras.layers.Conv2D(2, 3, activation='relu', 
                           input_shape=(6, 4, 4),
                           data_format="channels_first")(x) # --> 6 will be channels
print(y.shape) # (100000, 2, 2, 2)

编辑：

model.add(tf.keras.layers.Conv3D(2, 3, activation='relu', input_shape=(6, 4, 4, 1)))

model(x_expanded).shape # TensorShape([100000, 4, 2, 2, 2])