理解卷积神经网络中的输入与输出形状(Keras实现)
即使我们从理论上理解了卷积神经网络，在实际进行将数据拟合到网络时，很多人仍然对其网络的输入和输出形状(shape)感到困惑。本文章将帮助你理解卷积神经网络的输入和输出形状。
让我们看看一个例子。CNN的输入数据如下图所示。我们假设我们的数据是图像的集合。
输入的形状
你始终必须将4D数组作为CNN的输入。因此，输入数据的形状为(batch_size，height，width，depth)，其中第一维表示图像的batch大小，其他三个维表示图像的各个属性，即高度，宽度和深度。深度就是色彩通道的数量。例如，RGB图像的深度为3，而灰度图像的深度为1。
输出形状
CNN的输出也是4D数组。其中batch大小将与输入batch大小相同，但是图像的其他3个尺寸可能会根据滤波器(filter) ，内核大小(kernel size)和填充值(padding)而变化。
让我们看一下下面的代码片段。
不要在这里被input_shape参数欺骗，以为输入形状是3D，但是在进行训练时必须传递一个4D数组，该数据的形状应该是(batchsize，10，10，3)。由于inputshape参数中没有batch值，因此在拟合数据时可以采用任何batch大小。
而且正如你所见，输出的形状为(None，10，10，64)。第一个维度表示batch大小，目前为"None"。因为网络事先不知道batch大小。拟合数据后，将使用拟合数据时给出的batch大小来代替"None"。
让我们看看另一个代码片段。
在这里，我将inputshape参数替换为batchinput_shape。顾名思义，此参数将事先提供batch大小，并且在拟合数据时你无法提供任何其他batch大小。例如，在本例你必须用batch大小为16的数据来拟合网络。
你可以从上图看到输出形状的batch大小是16而不是None。
在卷积层上附加全连接(Dense)层
我们可以简单地在另一个卷积层的顶部添加一个卷积层，因为卷积的输出维度数与输入维度数相同。
通常，我们在卷积层的顶部添加Dense层以对图像进行分类。但是，Dense层需要形状为(batch_size，units)的数据。卷积层的输出是4D的数组。因此，我们必须将从卷积层接收的输出的尺寸更改为2D数组。
我们可以通过在卷积层的顶部插入一个Flatten层来做到这一点。Flatten层将3维图像变形成一个维。现在我们得到一个2D形状的数组(batchsize，squashedsize)，这是Dense层需要的输入形状。
汇总
- 你始终必须将形状为(batch_size, height, width, depth)的4D数组输入CNN。
- CNN的输出数据也是形状(batch_size, height, width, depth)的4D数组。
- 要在CNN层的顶部添加一个Dense层，我们必须使用keras的Flatten层将CNN的4D输出更改为2D。
欢迎关注磐创博客资源汇总站：http://docs.panchuang.net/
欢迎关注PyTorch官方中文教程站：http://pytorch.panchuang.net/
最新文章
- 2016.10.14,英语,《American Accent Training》
- 当java出现异常，应如何进行处理
- Access denied for user 'Administrator'@'localhost' (using password: YES)
- [转]Linq中使用Left Join
- linux下截取整个网页
- Eclipse 中 安装 SVN 插件
- Java 中浮点数---------BigDecimal和double（初探）
- JS正则实例
- input文本框获取焦点和失去焦点判断
- php连接postgresql
- WEB开发之如何改善PHP开发方式
- iOS使用自定义字体的方法(内置和任意下载ttf\otf\ttc字体文件)
- NSURLSession 所有的都在这里(一)
- docker安装mysql5.7
- MiniProfiler工具介绍(监控EF生成的SQL语句)--EF，迷你监控器，哈哈哈
- C# vs2015单元测试测试资源管理器不显示测试方法
- maven中 install的install:install的区别
- Apache Roller 5.0.3 XXE漏洞分析
- Centos7下安装zabbix 3.0.19
- js正则表达式----replace