Keras 卷积自动编码器不起作用答案

【问题标题】：Keras convolutional autoencoder doesn't workKeras 卷积自动编码器不起作用
【发布时间】：2016-12-27 15:09:55
【问题描述】：

我正在这里测试 Keras 作者的卷积自动编码器： https://blog.keras.io/building-autoencoders-in-keras.html

但是我有这个问题：

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)

我准确地说，我已经在最后一个 conv 层中设置了字段 'border_mode='same''。所以我真的不知道它是从哪里来的。。总结如下：

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
 ____________________________________________________________________________________________________

【问题讨论】：

此问题可能与以下问题重复：stackoverflow.com/questions/39848466/…
您好，我看到了这个帖子，确实，dim_ordering 需要更改为 theano dim。 (1,x,x) 但是，问题仍然存在，现在，网络期望 (1,28,28)，但得到 (1,32,32) 我知道这是因为最后一个上采样层，但是最后一个 conv 大小为 3x3 的过滤器应该安排没有？

标签： deep-learning keras keras-layer

【解决方案1】：

终于找到答案了。我认为本教程的创建者使用 32x32 MNIST 图像而不是 28x28 对其进行了测试。

因为，当添加到最后一个 conv 层时，border_mode='same'，你得到的输出形状为 (32,32,1) 因此，要获得良好的输出 (28,28,1)，您需要将 border_mode='valid' 添加到最后一个 conv 层。

总结：将尺寸排序更正为 28x28x1 而不是 1x28x28。然后添加与最后一个卷积层相同的边框模式最后在最后一个卷积层添加有效的边框模式。

希望这会有所帮助。

【讨论】：