从 RGB 图像在绿色通道上训练 Keras CNN 模型答案

【问题标题】：Training Keras CNN model on Green channel from RGB images从 RGB 图像在绿色通道上训练 Keras CNN 模型
【发布时间】：2017-09-14 12:18:39
【问题描述】：

到目前为止，我已经尝试解决这个问题大约 24 小时，但遗憾的是无法提出问题。

问题很简单：我在 2 个子目录中有 2 个类别，子目录中的图像是 RGB 格式，但我只对绿色通道感兴趣。我使用 flow_from_directory 函数读取了一批图像（图像@ size (3,224,224) ）然后我尝试使用 Lambda 层提取绿色通道，如下所示：

def get_model_bw(input_shape=(3,224,224), classes = 2, lr=1e-4):
    model = Sequential([
        Lambda(lambda x: x[:,1,:,:], input_shape=input_shape, output_shape=(1,224,224)),
        BatchNormalization(axis=1),
        Conv2D(32,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        Conv2D(32,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        Conv2D(32,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        MaxPooling2D(),
        Conv2D(64,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        Conv2D(64,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        Conv2D(64,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        MaxPooling2D(),
        Conv2D(128,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        Conv2D(128,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        MaxPooling2D(),
        Conv2D(256,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        Conv2D(256,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        MaxPooling2D(),
        Conv2D(512,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        Conv2D(512,(3,3), activation='relu',padding='same'),
        BatchNormalization(axis=1),
        MaxPooling2D(),
        Flatten(),
        Dense(1000, activation='relu'),
        BatchNormalization(),
        Dense(1000, activation='relu'),
        BatchNormalization(),
        Dense(classes, activation='softmax')
        ])
    model.compile(Adam(lr=lr), loss='categorical_crossentropy', metrics=['accuracy'])
    return model

model_bw = get_model_bw(input_shape=(3,224,224), classes=2)

但它只是拒绝工作...... 它抛出的错误是：

ValueError Traceback（最近一次调用最后一次） ValueError: Input 0 is in compatible with layer batch_normalization_181: expected ndim=4, found ndim=3

有什么建议吗？附：我正在使用 Theano 后端和最新的 keras 版本。

我们将不胜感激。

【问题讨论】：

请详细说明“拒绝工作”的含义。包括可能的错误消息。
您必须发布错误消息，以便人们了解发生了什么。
谢谢，我已经添加了错误信息。

标签： deep-learning keras keras-layer

【解决方案1】：

首先您必须检查您使用的数据格式是channels_first 还是channels_last。（您的输入形状似乎首先使用通道）

Keras 的默认值为channels_last。您可以在用户文件夹的keras.json 文件中看到：<user>\.keras\keras.json。这也可以为每一层单独设置。

lambda 层

当您使用层外的形状时，例如input_shape=(3,224,224)，您不需要指定批量大小（图像的数量）。

但在 lambda 层内（当您直接处理张量时），批量大小将显示为第一维，因此，您的通道不在第一维中，而是在第二维中：

Lambda(lambda x: x[:,1,:,:], input_shape=input_shape, output_shape=outputshape)

当然，你的输出shape不能和输入shape一样，必须是(1,224,224)

以下层：

不要将input_shape添加到其他层，只添加到第一层（即lambda层）

如果出现任何问题，请显示错误消息。

【讨论】：

谢谢。我正在使用channel_first。我已经编辑了我的原始帖子并添加了错误消息。还是不行

【解决方案2】：

我不敢相信，但我找到了解决方案：

lambda 层：

from keras import backend as K
Lambda(lambda x: K.expand_dims(x[:,1,:,:],1), input_shape=input_shape, output_shape=(1,224,224)),

【讨论】：