使用Conv2D输入深度和滤波器深度的Tensorflow.keras错误是否不兼容？
使用Conv2D输入深度和滤波器深度的Tensorflow.keras错误是不兼容的。
在Tensorflow.keras中，Conv2D是用于二维卷积操作的函数。它的输入是一个四维张量，形状为(batch_size, height, width, channels)，其中batch_size表示批量大小，height和width表示输入图像的高度和宽度，channels表示输入图像的通道数。
在Conv2D中，深度指的是输入图像的通道数，而滤波器深度指的是卷积核的通道数。这两个值必须是兼容的，即滤波器深度必须与输入图像的通道数相同，否则会导致错误。
如果深度和滤波器深度不兼容，可以通过以下方法解决：
- 确保输入图像的通道数与卷积核的通道数相同。可以使用tf.keras.layers.Reshape或tf.keras.layers.Conv2DTranspose等操作来调整输入图像的通道数。
- 使用合适的卷积核或调整卷积核的通道数，使其与输入图像的通道数相匹配。
在腾讯云的相关产品中，可以使用腾讯云AI Lab提供的AI开发平台，其中包括了TensorFlow的支持和相关的文档和教程，可以帮助开发者解决类似的问题。具体产品介绍和文档链接可以参考：腾讯云AI Lab。
相关·内容
1回答
我正在尝试理解2D卷积神经网络和2D深度卷积神经网络在计算方面的异同。(我理解这些概念)。
例如，假设有一个3x3的输入图像，具有3个通道(RGB)，填充为1，步长为1。滤波器为2x2。
输出是什么？(可以忽略激活和偏差)
我知道普通的conv2D会有13x3的输出，而dw conv2D会有3。除此之外，我有点困惑。谢谢
浏览 0提问于2019-06-10得票数 4
如果我有一个1X2X3X3的输入(我先使用通道)和2X2X2X2的权重(如下图所示)，我不能真正理解Keras Conv2D输出，有人能帮我理解输出特征图吗，滤波器如何卷积到输入上以获得输出？
下面是我的代码：
import os
import tensorflow as to
import tensorflow.python.util.deprecation as deprecation
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Conv1D, Conv2D
data
浏览 10提问于2020-05-14得票数 2
回答已采纳
我注意到在输入图像具有三维的代码中使用了Conv2d层。然而，由于我们只为滤波器输入两个维度，矩阵乘法是如何发生的？
二维滤波器是否将每个输入通道分开(或使用广播)(然后将结果相加)？
或者过滤器的深度是否自动匹配输入的深度(如果是彩色图像，则为3)？如果是这样的话，3x3x3过滤器应该有27个可以训练的权重，而在前一个情况下是9个。
对于conv2d的过滤器尺寸，Tensorflow更加明确(您必须输入高度、宽度、通道、output_channel)。
浏览 0提问于2018-01-02得票数 3
回答已采纳
为了实现一个特定的函数，我需要在我的层中有"input_channels“数量的内核，每个内核只有一个通道深度，而不是input_channels= "input_channels”。我需要将一个内核与一个通道的输入进行卷积，因此该层的输出将具有"input_channels“数量的内核。
哪一个python/numpy/tensorflow卷积函数可以允许这样的卷积，其中内核中的通道数量不一定总是等于"input_channels“，而可以是1？
提前感谢您的帮助。
(如果有人想知道我都试过什么，
在tensorflow的conv2d函数中，如果我指
浏览 0提问于2019-03-26得票数 0
4回答
我不明白为什么渠道维度不包括在Keras中的conv2D层的输出维度中。
我有下面的模型
def create_model():
image = Input(shape=(128,128,3))
x = Conv2D(24, kernel_size=(8,8), strides=(2,2), activation='relu', name='conv_1')(image)
x = Conv2D(24, kernel_size=(8,8), strides=(2,2), activation='relu', name=&#
浏览 5提问于2019-03-31得票数 13
2回答
我对过滤器参数感到困惑，它是keras中Conv2D()层函数中的第一个参数。据我所知，过滤器应该做一些事情，比如边缘检测、锐化图像或模糊图像，但是当我将模型定义为
input_shape = (32, 32, 3)
model = Sequential()
model.add( Conv2D(64, kernel_size=(5, 5), activation='relu', input_shape=input_shape, strides=(1,1), padding='same') )
model.add(MaxPooling2D(pool_size=(2
浏览 3提问于2021-05-07得票数 3
回答已采纳
在我使用的前一个TensorFlow版本(1.9)中，我能够使用存储在Conv2D操作输入中的UINT8权重来量化我的网络。现在，在使用Keras模型的TensorFlow 2.0中，训练后量化给出了INT8权重，似乎没有针对无符号权重的选项。有没有可能用TF 2.0来控制卷积层中权重的符号？ import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_saved_model(saved_model_dir)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
def
浏览 56提问于2020-11-22得票数 2
1回答
我有一个非常基本的问题，但是我不知道在Keras中二维卷积的概念。如果我能创建一个这样的模型：
model = tf.keras.Sequential([tf.keras.layers.ZeroPadding2D(padding=(3,3), input_shape=(64,64,3)),
tf.keras.layers.Conv2D(filters=1, kernel_size=(7,7))])
为什么输出形状是(None, 64, 64, 1)：
Layer (type) Output Shape
浏览 0提问于2021-09-07得票数 0
回答已采纳
1回答
基于卷积网的Keras形状失配
、、、、
我以以下方式构建了我的keras模型(当然，这不是最终的生产准备模型)：
self.model = Sequential()
self.model.add(Conv2D(32, (3, 3), input_shape=(674, 514, 1), padding='same',
activation='relu'))
self.model.compile(loss='mean_squared_error', optimizer='adam', metrics=
['accuracy'])
示范摘要
浏览 0提问于2018-02-08得票数 1
回答已采纳
我正在开发一个在角星的CNN分类卫星图像，有10个光谱波段。在下面的网络中，我获得了相当高的精度(在15个类别中，大约60%的val精度)，但是我想更好地将单个像素上的光谱波段之间的关系结合起来，这样就可以获得像素类的大量信息。我看到很多报纸这样做，但这通常被称为不同的东西。例如：
级联跨信道参数池
Conv1D
深可分卷积
Conv2D(num_filters，(1，1))
我不确定这些方法之间的区别(如果有的话)，以及我应该如何在下面简单的CNN中实现这一点。我也不清楚我是否应该在开始或接近尾声的时候做这件事。当通道仍然是原始的光谱数据，而不是特征图时，我倾向于在一
浏览 2提问于2019-04-30得票数 6
回答已采纳
1回答
我是一个试图从头开始写CNN的巨蟒，但我对CNN有点陌生，特别是卷积层，因为我对密集的层感到舒服。我当时正在读对于每个输入通道，滤波器有不同的权重。，但我没有完全理解，我有几个问题。我想确认一下，如果输入层有3个通道，那么要有4个输出通道，总共需要12个过滤器。
此外，权重(实际上我并不完全确定这些权重是什么，它们是内核的值，对吗？)的过滤器是一个浮动数字，因为我通常看到他们被描述为-1，0 ,1。
最后，是内核的重量。初始化一次，或者更确切地说，它们在反向传播过程中发生变化，因为我曾经有这样的想法，即只有偏压和致密层才会改变。
非常感谢您的时间，任何帮助都是非常感谢的。
编辑:我还有一个问题
浏览 0提问于2019-02-27得票数 1
这个Conv2d(3, 64, 3, 1)在Keras中意味着什么？输入为(36, 64, 3)，Conv2d(3, 64, 3, 1)层后输出为(36, 64, 64)。有人能告诉我如果Conv2d(a, b, c, d)，a，b，c和d的相关含义是什么吗？
编辑：：文档声明如下：
Conv2d(filters, kernel_size, stride=(x,y), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initialize
浏览 0提问于2018-12-20得票数 1
1回答
我正在处理一个TFRecord数据集，其中包含一个3D对象的横截面的多个灰度图像，最终的形状为32,256,256。尺寸32表示横截面的数量，它明显小于其他尺寸。
正因为如此，我想知道我是否可以将数据视为32个通道的2D数据，而不是将数据视为只有一个通道的3D数据，尤其是在所需的计算资源方面。我现在在Google Colab中使用TensorFlow和TPU，使用tf.layers.conv2d而不是tf.layers.conv3d将节省大量内存，减少填充。
这两种方法之间有什么显著的区别吗，或者有什么我可能应该遵循的惯例？使用conv2d会以任何方式损害我的准确性吗？
浏览 6提问于2019-11-17得票数 1
回答已采纳
2回答
如果你有32个输入通道和16个过滤器，通道17-32会被删除吗？或者是否有16个随机频道被丢弃，或者所有的频道都经过了？如果有比输入通道更多的过滤器呢？
我读到，第一个滤波器/内核与卷积层中的对应信道--第一通道与第一滤波器，第二信道与第二滤波器，等等--但是如果输入通道的数目不等于滤波器的数目，会发生什么呢？(来源：)
浏览 1提问于2019-01-20得票数 1
2回答
我看到，当使用Theano的conv2d函数时，过滤器是垂直和水平翻转的。为什么会这样呢？在卷积神经网络的情况下，这是否重要？
浏览 0提问于2020-02-17得票数 1
回答已采纳
我正在尝试用tensorflow后端在keras中训练一个预先训练过的inceptionv3模型。
我有一个训练数据集，大小为10,000张图片(299,299张)(它们是灰度)。我将其转换为tensorflow的输入形状为(10000,299,299,1)。当我试图拟合inceptionv3模型时，我得到了一个错误
ValueError:检查输入时出错:期望input_1具有形状(无，3)，但得到了形状数组(10000,2999,299，1)
我尝试更改张量的输入形状，使用
input_tensor = Input(shape=(299,299,1))
base_model = In
浏览 1提问于2017-06-30得票数 1
回答已采纳
2回答
我的模特：
classifier = Sequential()
# Convolutional + MaxPooling -> 1
classifier.add(Conv2D(32, (3,3), input_shape = (IMAGE_SIZE, IMAGE_SIZE, 3)))
convout1 = Activation('relu')
classifier.add(convout1)
classifier.add(MaxPooling2D(pool_size = (2,2)))
classifier.add(Dropout(0.25))
我正在运行下面的代码来获
浏览 1提问于2018-04-13得票数 4
回答已采纳
我正在尝试使用tensorflow-gpu运行一个RNN，因为使用CPU，我花了大约13分钟的时间来处理1期(在火车上8000皮卡/ 2000在测试中)。然而，我多次尝试在我的Windows 10上安装tensorflow-gpu，但未能成功运行。我有以下配置：
GPU 1: NVIDIA GeForce GTX 1650 GPU 0: Intel(R) UHG Graphics 630 CPU: Intel(R) Core(TM) i7-9750H CPU @ 2.60GHz
我在pip中的virtualenv中安装了以下内容：
我学习了以下教程：
此外，由于这是一
浏览 5提问于2019-12-23得票数 0
我正在使用Tensorflow1.14.0 1.14.0在Ubuntu虚拟机中加载一个独立的VGG19，如下所示：
VGG19 = scipy.io.loadmat(path_VGG19) #stored in my disc
VGG19_layers = VGG19['layers'][0]
然后将其传递给函数_conv2dWithRelu()：
def _conv2dWithRelu(prev_layer, n_layer, layer_name,VGG19_layers):
# get weights for this layer:
weights = V
浏览 5提问于2020-09-21得票数 1
回答已采纳
我有一个RGB彩色图像，我试着用conv2d训练它。按照CNN的说法，每个过滤器都应该跨越所有的输入通道。但是，在遵循TF中的这个规则时，我得到了一个错误
InvalidArgumentError: Current implementation does not yet support strides in the batch and depth dimensions.
从讨论来看，TF似乎只支持conv2d中输入通道的一个增量。所以我的问题是
1.我是否可以在TF ?中跨出多个通道？
2.对RGB图像使用默认步长(即1)是一个正确的过程吗？
浏览 3提问于2017-05-04得票数 3
回答已采纳
我有一个像这样构造的：
>>> conv2d_layer = tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3), strides=2)
作为参考，该层是前一层为prior_layer = Conv2D(filters=64, kernel_size=(3, 3), strides=2)的网络的一部分。
当我调用conv2d_layer.get_weights()时，它返回一个包含两个条目的列表：
>>> [w.shape for w in conv2d_layer.get_weights()]
[(
浏览 12提问于2022-11-22得票数 0
回答已采纳
使用tensorflow.keras (TensorFlow2)，我希望将输入提供给模型的不同层。因此，我们正在查看一个图，其中输入层分支为3条线，以到达3个不同的卷积层。它有3个输出。 伪代码是这样的： inputs = Input()
conv1 = Conv2D()(inputs)
conv2 = Conv2D()(inputs)
conv3 = Conv2D()(inputs)
model = Model(inputs=inputs, outputs=[conv1, conv2, conv3]) 但是当我尝试用tf DataSet流来拟合模型时，我得到了以下错误： ValueErr
浏览 29提问于2020-04-01得票数 0
1回答
根据Keras中的shared layers documentation，可以创建一个共享层，并使用不同的输入形状实例化它。它给出了一个Conv2D共享层的示例，如下所示： a = Input(shape=(32, 32, 3))
b = Input(shape=(64, 64, 3))
conv = Conv2D(16, (3, 3), padding='same')
conved_a = conv(a)
# Only one input so far, the following will work:
assert conv.input_shape == (None,
浏览 19提问于2019-01-03得票数 2
回答已采纳
1回答
1x1卷积如何保留学习到的特征？
、、、、
下面，我将互换使用通道和功能映射。 我试图更好地理解1x1卷积是如何与多个输入通道一起工作的，但还没有找到一个很好的解释。在开始1x1之前，我想确保我对2D和3D卷积的理解。让我们看一个在Keras API中使用2D卷积的简单示例： i = Input(shape=(64,64,3))
x = Conv2D(filters=32,kernel_size=(3,3),padding='same',activation='relu') (i) 在上面的例子中，输入图像有3个通道，卷积层将产生32个特征映射。2D卷积层是否会将3个不同的核应用于3个输入通道中的每个通
浏览 27提问于2021-11-08得票数 0
回答已采纳
我有一个tensorflow/keras CNN。它有几个层，有些是Conv2D。在给定的层中，我希望有效地找到Conv2D中最相似的两个过滤器。layer.weights是长度为filter_count的形状(高度、宽度、深度)的列表。我想通过差值或者(高度，宽度，深度)中每个元素之间的sqrt(diff^2)进行比较，然后求和，这样差值就是一个浮点值。
如果T1为thelayer.weightsidx1，T2为thelayer.weightsidx2，则比较为thelayer.weightsidx1 T2))
我想将每个过滤器与其他过滤器进行比较，并取最小的3个差异。(第一个总是零，其中i
浏览 0提问于2018-09-06得票数 0
从文档中，我知道SeparableConv2D是深度和逐点操作的组合。但是，当我调用 SeparableConv2D(100, 5, input_shape=(416,416,10)
# total parameters is 1350
model.add(DepthwiseConv2D(5, input_shape=(416,416,10)))
model.add(Conv2D(100, 1))
# total parameters is 1360 这是否意味着SeparableConv2D在默认情况下不在深度阶段使用偏移？ 谢谢。
浏览 26提问于2019-06-26得票数 8
1回答
CNN的模型结构设计
、、、
我想为有300个类的数据集设计CNN。我用下面的模型对两个类进行了测试。它具有很好的准确性。
model = Sequential([
Conv2D(16, 3, padding='same', activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)),
MaxPooling2D(),
Conv2D(32, 3, padding='same', activation='relu'),
MaxPooling2D(),
Conv2D(64, 3, padding='s
浏览 0提问于2020-02-05得票数 0
回答已采纳
我试着做一个像这样的模型可视化：
这张照片是从拍摄的
这是我的代码：
def create_classical_model():
# A simple model based off LeNet from https://keras.io/examples/mnist_cnn/
model = tf.keras.Sequential()
model.add(tf.keras.layers.Conv2D(32, [3, 3], activation='relu', input_shape=(28,28,1)))
model.add(tf.ke
浏览 5提问于2022-06-05得票数 1
1回答
TensorFlow的API描述了函数tf.nn.conv2d()，它接受过滤器大小的参数：[filter_height, filter_width, in_channel, out_channel]。因此，如果我使用mnist数据集并在显示数字"5“的图像上运行网络，那么过滤器会被训练在5的较低的圆形碗上吗？还是只对图像的多个部分进行训练？conv2d中的过滤器将如何和如何运行？
浏览 0提问于2018-02-20得票数 1
1回答
我是CNN的初学者，我正在努力理解深层卷积网络的概念。
我知道我必须在输入图像上滑动我的过滤器，我得到的是一个图像数组。之后，我应用了ReLU和max池，这给我留下了一个图像数组。但是，当我想应用另一组过滤器时，我不知道该做什么。在我有一个图像之前，它变成了一个图像数组，但是现在我有了一个图像数组。这是否意味着我将得到一系列的图像？一个2D数组，实际上是4D，因为它是一个2D数组-图像？接下来的几层会发生什么？会有5个维度吗？6块呢？
另外，你能为初学者推荐一个好的书面教程(而不是视频)吗？理想情况下，如果它有Java示例的话。
任何帮助都将不胜感激。
浏览 1提问于2018-06-24得票数 0
回答已采纳
2回答
model.add(Conv2D(8, (3, 3), activation='relu', padding='same', strides=2))
我们的输入是400*400的图像，这是网络的第一层，它会产生什么样的输出？？
浏览 0提问于2018-03-11得票数 0
2回答
有人能告诉我，这段代码出了什么问题吗？显示索引错误的原因。编码器和解码器是分开定义的，当我通过最后一行组合这两个模型时，如图所示，它抛出了索引错误。
def Encoder():
x= Conv2D(128, (3, 3),padding='same',activation='relu')(input_img)
x= Conv2D(128, (3, 3), activation='relu', padding='same')(x)
x= MaxPooling2D(pool_size=(2, 2), str
浏览 0提问于2018-09-03得票数 1
1回答
我有一个简单的卷积网络： import torch.nn as nn
class model(nn.Module):
def __init__(self, ks=1):
super(model, self).__init__()
self.conv1 = nn.Conv2d(in_channels=4, out_channels=32, kernel_size=ks, stride=1)
self.fc1 = nn.Linear(8*8*32*ks, 64)
self.fc2 = nn.Linear(64, 64)
def forward(self,
浏览 33提问于2020-06-26得票数 1
回答已采纳
我使用的是TF2.5 & Python3.8，其中conv层定义为： Conv2D(
filters = 64, kernel_size = (3, 3),
activation='relu', kernel_initializer = tf.initializers.GlorotNormal(),
strides = (1, 1), padding = 'same',
) 使用一批60个CIFAR-10数据集作为输入： x.shape
# TensorShape([60, 32, 32, 3]) 这一层的输出体积保留了空间宽度
浏览 19提问于2021-06-29得票数 0
我正在学习卷积自动编码器，我正在使用keras来构建图像去噪器。以下代码用于构建模型：
denoiser.add(Conv2D(32, (3,3), input_shape=(28,28,1), padding='same'))
denoiser.add(Activation('relu'))
denoiser.add(MaxPooling2D(pool_size=(2,2)))
denoiser.add(Conv2D(16, (3,3), padding='same'))
denoiser.add(Activation('relu&
浏览 0提问于2019-01-29得票数 7
1回答
我的问题是如何在tensorflow (1.4)中找到一种高效(主要是参数计数)的方法来实现滑动窗口，以便在图像中应用一个神经网络，并生成一个二维映射，每个像素(或区域)表示对应的接收字段(在这种情况下是滑动窗口本身)的网络输出。
实际上，我试图使用tensorflow实现或，但我无法理解我找到的实现。
这两种架构可以简单地描述为：
MTANN:将输入大小为1，N，N,1和输出大小为1，M，M,1的线性神经网络应用于1，M，M，1的图像，生成1，G，G,1大小的映射，其中生成的映射的每个像素对应于对应的NxN贴片属于某一类的可能性。
PatchGAN鉴别器:更通用的体系结构，因为我可以
浏览 1提问于2018-11-21得票数 2
我需要在数据集上构建一个CNN模型，该数据集有65536行(每个列代表1个图像)、49列(7x7图像)和二进制类(第50列)。(7800行测试集)
我正在引用使用mnist数据集执行CNN的例子，但我未能构建火车模型。
这是我的密码：
from __future__ import print_function
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
浏览 1提问于2017-04-18得票数 0
回答已采纳
我试图在中重新创建结果，使用ImageDataGenerator读取图像，使用model.fit_generator来训练我的模型，但当我试图适应时，我会得到以下错误和堆栈跟踪：
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-34-2dedade68c7a> in <module>()
4 epochs=epochs,
浏览 2提问于2020-03-05得票数 1
回答已采纳
1回答
我很难理解2D Conv计算是如何在4D输入上完成的。基本上，这就是情况，我有一个图像的高度，宽度，通道= 128,128,103。我希望这103个通道中的每个通道都被单独处理，就像我将它们逐个输入到网络中一样。下面这行行得通吗？
import tensorflow.keras
from tensorflow.keras.layers import Conv2D
model1 = tensorflow.keras.models.Sequential()
model1.add(Conv2D(1, kernel_size=(3,3), input_shape = (128, 128,103,1),
浏览 3提问于2021-09-06得票数 0
1回答
我在训练CNN时遇到了一些问题：
例如，3D数据(宽度、高度、深度)：
输入6x6x3，1核心3x3x3，输出= 4x4x1 =>池: 2x2x1
和其他导师只为2D (没有深度)向calc解释权重和输入：
输入*二维权重的output=deltas
过滤器* out =输入增量
，但是我如何计算3D过滤器的权重增量呢？
I必须将每个输入乘以输出，如下所示？
FilterLayer1Delta = OutputDelta * InputLayer1
FilterLayer2Delta = OutputDelta * InputLayer2
FilterLayer3Delta = Out
浏览 0提问于2019-08-14得票数 0
回答已采纳
我正在使用tensorflow 2版本来运行序列模型。我不确定它为什么不支持tensorflow2。我也检查了same question，但没有用。有人能帮我改正代码吗？ from sklearn.model_selection import train_test_split
import tensorflow
import keras
from tensorflow.keras import layers
from tensorflow.keras import optimizers
from tensorflow.keras import callbacks
from tensorflo
浏览 114提问于2021-11-11得票数 1
回答已采纳
1回答
我对tf.keras.layers.SeparableConv2D中的depth-multiplier (alpha)参数和
tf.keras.layers.DepthwiseConv2D
在原论文的基础上，M输入通道将是alpha*M，其中alpha in ]0,1]。我的问题是如何删除通道？我猜这是随机的，就像辍学？感谢澄清
浏览 1提问于2018-12-20得票数 0
我有一个图像分割任务，其中输入图像形状为(140，85，95，4)，输出标签形状为(140，85，95)。以下是我的模型：
from tensorflow.keras.layers import Conv2D, Conv2DTranspose, Input, Rescaling
num_classes = 4
my_model = tf.keras.Sequential([
Input(shape = (85, 95, 4), name = 'image'),
Rescaling(scale = 1./255),
Conv2D(filters = 64, kernel_s
浏览 0提问于2021-12-23得票数 0
2回答
我用keras构建了一个ConvNet，这是其中的两个层。
model.add(Conv2D(8 , 3 , input_shape = (28,28,1)))
model.add(Activation(act))
model.add(Conv2D(16 , 3))
model.add(Activation(act))
第一层大小26x26x8的输出，我完全理解，因为有8个大小为3x3的过滤器，每个过滤器被应用于生成一个独立的特征映射，因此26x26x8。
第二层的输出是24x24x16大小的，我不明白。输出不应该是24x24x128大小，因为第二层的每个过滤器都将作用于第一层输出的每个特征
浏览 0提问于2018-10-07得票数 1
回答已采纳
1回答
求单幅图像的卷积
、、、、
我试图用tf.keras.backend.conv2d获得图像上的单个卷积的结果。
输入的规格是227像素乘227像素，通道大小为3 (RGB图像)。
我想使用的过滤器尺寸是11x11，步幅为4，没有零填充。
我并没有接受使用tf.keras.backend.conv2d的想法。我愿意改变方法/包，只要我得到一个与上述特定要求的转换图像。
下面是我正在努力工作的代码块：
import tensorflow as tf
from tensorflow import keras
import cv2
image = cv2.imread('pic.jpg')
tf.keras.
浏览 0提问于2019-07-03得票数 2
2回答
我在看这个层层打印出来的照片。我意识到，这显示了输入/输出，但与如何处理RGB通道无关。
如果你看block1_conv1，上面写着"Conv2D“。但是如果输入是224 x 224 x3，那就不是2D了。
我更大、更广泛的问题是，在整个培训过程中，如何处理3通道输入(我认为这是VGG16)。RGB通道是否在某个时候合并(求和或连接)？何时何地？为此需要一些独特的过滤器吗？还是模型从端到端分别运行在不同的通道/颜色表示上？
浏览 3提问于2020-06-21得票数 6
回答已采纳
1回答
我读了一篇论文，没能理解模型。
在报纸上，
输入形状= (7,9,1)，内核大小= (3,3,1)
“滤波器通过一次移动一个单元来转换输入，不使用填充，输入在边界周围填充零，在卷积后保持相同的大小。通过应用多个卷积层，我们可以得到多个响应映射。我们有四个卷积层，因此卷积后的输出具有(7,9,4)的大小。卷积层中包含了ReLU。”
我和Bold部件搞混了。
我试着做一个模型，这是我的代码，
model.add(Conv2D(4, kernel_size=(3, 3), padding='same', activation='relu', input_shape=(
浏览 1提问于2022-01-20得票数 1
回答已采纳
1回答
我正试图在Keras中构建一个自动编码器，其输入形状为(470,470,3)，但输出似乎永远不匹配，即使我试图切换填充。这是我的密码，你能帮忙吗？目前编写模型摘要的方式显示了(472,472，3)的输出。
from tensorflow.keras.layers import Conv2D, MaxPooling2D, UpSampling2D
from tensorflow.keras import Input, Model
input_image = Input(shape=(470, 470, 3))
x = Conv2D(32, (3, 3), activation='r
浏览 3提问于2020-07-02得票数 1
回答已采纳
1回答
我正在学习使用gabor滤波器从图像中提取与方向和比例相关的特征。另一方面，卷积神经网络也可以提取包括方向和尺度在内的特征，是否有证据表明CNN中的滤波器具有与gabor滤波器类似的功能？或者他们两个的利弊。
浏览 47提问于2019-07-25得票数 1
我用Tensorflow尝试了卷积神经网络。
但是，形状会导致错误。
第一个是main函数的一部分。
while True:
with mss.mss() as sct:
Game_Scr = np.array(sct.grab(Game_Scr_pos))[:,:,:3]
cv2.imshow('Game_Src', Game_Scr)
cv2.waitKey(0)
Game_Scr = cv2.resize(Game_Scr,
浏览 19提问于2019-08-15得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
