Keras预训练模型的输入形状不变
是指在使用Keras库中的预训练模型时，输入数据的形状可以保持不变。这意味着我们可以将不同大小的输入数据传递给预训练模型，而无需调整模型的结构或重新训练。
预训练模型是在大规模数据集上进行训练的模型，通常是为了解决特定的任务，如图像分类、目标检测或语义分割等。这些模型通常由深度学习框架提供，并且在训练过程中已经学习到了一些通用的特征表示。
Keras提供了一些常用的预训练模型，如VGG16、ResNet50、InceptionV3等。这些模型在训练过程中通常使用固定的输入形状，例如224x224的图像。然而，在实际应用中，我们可能需要处理不同大小的图像，或者使用不同的输入数据类型。
为了解决这个问题，Keras提供了一种灵活的方式来处理不同大小的输入数据。当我们加载预训练模型时，可以通过设置include_top=False来排除模型的顶层（全连接层），然后可以通过修改模型的输入形状来适应不同大小的输入数据。
例如，对于图像分类任务，我们可以使用以下代码加载VGG16模型，并将输入形状设置为任意大小的图像：
from tensorflow.keras.applications import VGG16
model = VGG16(weights='imagenet', include_top=False, input_shape=(None, None, 3))在上述代码中，input_shape=(None, None, 3)表示输入图像的形状可以是任意大小，并且具有3个通道（RGB图像）。这样，我们就可以将任意大小的图像传递给模型进行预测。
对于其他类型的预训练模型，也可以采用类似的方式来处理输入形状的灵活性。需要注意的是，修改输入形状可能会影响模型的性能和准确性，因此在实际应用中需要进行适当的调整和测试。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI计算平台：https://cloud.tencent.com/product/tcaplusdb
- 腾讯云云服务器CVM：https://cloud.tencent.com/product/cvm
- 腾讯云云数据库CDB：https://cloud.tencent.com/product/cdb
- 腾讯云云存储COS：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
相关·内容
我正在从事人类活动识别的工作，其中我使用的是双流网络。对于时间流(光流作为输入)，我从头开始训练我的模型，这需要大量的资源和时间。我决定在Keras应用程序中使用预训练模型来使用迁移学习，但keras应用程序中的每个模型都使用3通道输入形状，其中光流是1通道图像。有人能指导我如何使用预训练模型来拟合使用光流图像作为输入的时间流模型吗？
浏览 51提问于2021-06-24得票数 0
我是原型深入学习分割模型，需要六个通道的输入(两个对齐448x448 RGB图像在不同的照明条件)。我想比较几个预先训练过的模型和我现在的模型的性能，我从零开始训练。我可以在tf.keras.applications中使用预先训练的模型来输入多于3个通道的图像吗？
我尝试先应用卷积将信道维降为3，然后将输出传递给tf.keras.applications.DenseNet121()，但收到以下错误：
import tensorflow as tf
dense_input = tf.keras.layers.Input(shape=(448, 448, 6))
dense_filter = tf
浏览 0提问于2019-05-02得票数 3
回答已采纳
DenseNet预训练模型(VGG、ResNet、Keras等)在具有输入形状(224,224，3)的ImageNet上训练后建立权重。但是，Keras允许我们指定任何其他输入形状(宽度和高度不应小于32)。当输入形状不是(224,224，3)时，Keras如何确定第一个隐藏层的初始权重？
浏览 0提问于2021-10-22得票数 1
在预先实现的keras模型(VGG16等)中，我们指定可以改变模型输入的形状，并仍然加载经过预先训练的imagenet权重。
我感到困惑的是，第一层的权重会发生什么呢？如果输入张量有一个不同的形状，那么权值的数量将不同于预先训练的模型，不是吗？
这里是Keras VGG16模型的实现，可供参考。
浏览 0提问于2017-12-04得票数 1
回答已采纳
3回答
我目前有一个类似于这样的keras模型：
model = keras.Sequential()
model.add(keras.layers.Dense(100, activation=tf.nn.relu))
model.add(keras.layers.Dense(100, activation=tf.nn.relu))
model.add(keras.layers.Dense(len(labels), activation=tf.nn.softmax))
告诉我：
模型需要知道它应该期望什么样的输入形状。因此，序列模型中的第一层(而且只有第一层，因为下面的层可以进行自动形状推断)需要接
浏览 0提问于2019-09-10得票数 13
回答已采纳
我训练了一个输入形状为(224,224，3)的模型，并尝试将其更改为(300,300，3)。例如： resnet50 = tf.keras.models.load_model(path_to_model)
model = tf.keras.models.Model([Input(shape=(300, 300, 3))], [resnet50.output])
# or
resnet50.inputs[0].set_shape([None, 300, 300, 3]) 不起作用。 我看到预留模型允许不同的输入形状，但调整了孔网络体系结构，例如，卷积信道的大小。我想知道我是否需要做一些类似的
浏览 67提问于2021-08-05得票数 0
回答已采纳
1回答
我正在尝试训练一个深度神经网络，使其能够根据字符串的值对其进行分类。所以，这意味着我的数据全是文本。然而，它不是句子意义上的文本，这是我在互联网上看到的大多数文本分类主题所谈论的内容。为了让算法起作用，我对输入进行了一次性编码(尽管这些不是分类值，所以我不确定是否有更正确的方法对它们进行编码)并训练模型。然而，问题是，当我尝试运行算法在测试或训练数据集中没有看到的新文本字符串时，算法希望输入是单热编码的训练数据集的形状。我们应该如何训练一个模型，然后改变输入，让它接受一个实际的字符串，而这个字符串的形状不一定与模型的形状相同呢？ 以下是训练数据的示例： SB-01_0-1_20200701
浏览 32提问于2020-07-02得票数 0
回答已采纳
我建立了一个模型，其中包括一个预先学习的模型，然后是一些层，并添加到最后。一切运行良好，我可以在我的数据集上训练模型，并将经过训练的模型保存到文件中。但是，当我试图加载保存的模型时，我会得到以下错误。我得到，这指向密集的层形状是未定义的。但是，在训练之前，我将输入的形状指定给模型，并确保得到的致密层将具有预定的形状。不知道如何解决这个问题
这就是设计的模型
import tensorflow as tf
from tensorflow.keras.utils import Sequence
from tensorflow.keras.applications.vgg16 import VGG1
浏览 2提问于2020-11-17得票数 0
问题
请帮助理解以下问题的原因，以及如何建立一个Keras模型的微调之上，预先训练的模型从拥抱面。
目标
在Huggingface的DistilBERT基础上创建一个微调的自定义模型。
输入模型的形状
根据令牌器输出的形状，我假设它是(2, None, 256)，因为[input_ids, attention_mask]将进入模型。
标记器的输出。
from transformers import DistilBertTokenizerFast
tokenizer = DistilBertTokenizerFast.from_pretrained('distilbert-base-un
浏览 3提问于2021-07-03得票数 3
我在keras中有两个受过训练的模型，我想把一个放在另一个上面，形成一个模型。我想把我受过训练的模特组合成一个。
我认为merge(Merge)是用于水平堆叠模型，而我想要垂直堆叠keras函数API模型。
PS :输出1的形状与输入2相同。
浏览 1提问于2018-04-30得票数 5
回答已采纳
我已经用120x120维的图像在keras中训练了我的功能模型，现在我想将这个预测模型用于不同形状的输入图像。常见的答案是在输入形状中使用None，但是，在我的示例中，它抛出：Attempt to convert a value (None) with an unsupported type (<class 'NoneType'>) to a Tensor我的培训模型是：
input_i = Input(shape = (120, 120, 1))
model = Model(input_i, all_together(input_i))
一旦它被训练过，我正在尝
浏览 3提问于2020-02-05得票数 0
1回答
我正在从事一个项目，在这个项目中，我试图实施转移学习，对心电信号(一维)进行分类。我有一个精度相当高的预训练模型，但是模型是在一个不同的数据集上训练的，数据集的输入形状为(4096,12)和输出形状(6)。我想微调这个预先训练的模型，我的数据有一个输入形状(350,5)。为此，我在预先训练的模型输入之前添加了一些层，以获得形状(4096,12)，并添加了一个形状(5)的输出致密层。我的模型的代码如下：
from tensorflow.keras.layers import Dense,Input,Conv1D, BatchNormalization,
Activation,Flatten,R
浏览 9提问于2022-01-10得票数 0
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
我想将keras训练的模型集成到tensorflow网络中，以帮助训练tensorflow模型，也就是说，keras模型不需要再次训练，它只会为tensorflow模型产生损失。下图是基本的网络架构。
下面的代码是为keras模型生成损失。但是，不幸的是，它未能加载预训练的keras模型，尽管它没有给出任何错误。也就是说，代码可以工作，但它只是加载了一个随机模型(变量的随机值)，它返回了一个随机值，而不是预先训练的模型生成的值。
def keras_loss(sess,prediction):
#import package
from keras.models import Mo
浏览 0提问于2018-07-25得票数 0
1回答
输入形状和Keras
、、、、
我有一组训练数据，其中每个输入都是长度为138的向量。我有519个这样的向量，批次大小为519。这些不是图像，而是实数。 我试着从2层密集的Keras模型开始： model = keras.Sequential([
layers.Dense(200, activation=tf.nn.relu, input_shape=[138]),
layers.Dense(200, activation=tf.nn.relu),
layers.Dense(1)
]) 当我构建模型时，我得到了以下错误： Error when checking input: expected den
浏览 9提问于2019-01-04得票数 0
我不仅要利用特征提取器预训练的权重，还要利用特征映射层的分类器/本地化预训练权重，使用tensorflow对象检测API ( tensorflow object Pre)对tensorflow对象检测模型(SSD)进行微调。当我的新模型与我用于微调检查点的预训练模型有不同数量的类时，TensorFlow对象检测API将如何处理分类权重张量？
当在像SSD这样的ML对象检测模型中微调预训练模型时，我不仅可以用预先训练的权重初始化特征提取器的权重，而且可以初始化特征地图的定位层权重和分类层权重，后者只选择选择的预训练类权重，这样我就可以减少模型最初能够识别的类数(例如，从90层MSCOCO类到这9
浏览 1提问于2018-03-20得票数 2
回答已采纳
1回答
我有以下代码，它在Keras中使用经过预先训练的ResNet50模型和imagenet DataSet：
from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np
model = ResNet50(weights='imagenet')
print(model)
fine.
浏览 1提问于2019-03-06得票数 0
回答已采纳
1回答
我使用了一个以VGGnet为基础的Keras模型进行图像分类。守则如下：
from keras import applications
from keras.callbacks import TensorBoard
from keras.preprocessing.image import ImageDataGenerator
from keras import optimizers
from keras.models import Sequential, Model
from keras.layers import Dropout, Flatten, Dense
from keras imp
浏览 0提问于2019-03-08得票数 1
回答已采纳
两个具体问题：
为什么即使在模型运行之后，keras Dense层也不知道它的input_shape和output_shape？
为什么层不知道它的参数计数，直到一些训练数据被抽通？
我训练了一个简单的keras / tensorflow模型，但是当我试图查看模型的层时，我会得到以下错误：
"AttributeError:该层从未被调用过，因此没有定义输入形状。“
或者，我问题的简短版本:这是怎么回事？
我确信，在某种技术意义上，“该层从未被称为”和“没有定义的输入形状”，但是，由于该层已被训练(并用于评估)，它是什么意思“从来没有被称为”？
(我真正需要的是一个概述-我还没有
浏览 0提问于2019-01-25得票数 1
回答已采纳
1回答
我在keras中有一个多类(4类)分类模型，类似于。
在训练时，模型期望输入形状为(None，None,300)。也就是说，如果有'n‘个不同的输入序列，那么输入形状应该是(n，无，300)。在我的例子中，每个输入序列的大小是不同的。假设输入序列的形状为(1000,300)、(1500,300)、(1200,300)和(2000,300)。现在我需要把它们放在一起(4，无，300)。我尝试使用numpy array，但是numpy array不会给出(4，None,300)的形状，而是(4L，)。
现在我想知道如何训练我的模型？是否可以使用numpy数组或任何不同的数据结构？
浏览 3提问于2017-06-29得票数 1
回答已采纳
1回答
在Keras中，如果我想在我的LSTM模型上预测多个实例，这些实例基于来自训练数据的独立数据和新数据，那么输入数组是否需要包括训练中使用的时间步长？如果是这样的话，我能期望model.predict的输入数组的形状与训练数据相同吗？(即要预测的样本数量，它们的时间步长，它们的特征)？ 谢谢您:)
浏览 44提问于2021-04-12得票数 3
1回答
我已经开始处理Tensorflow了。在Udacity上的一次练习中，我学会了创建一个可以将摄氏度转换为华氏温度的神经网络。为了训练神经网络，给出了3个例子：
celsius_q = np.array([-40, -10, 0, 8, 15, 22, 38], dtype=float)
fahrenheit_a = np.array([-40, 14, 32, 46, 59, 72, 100], dtype=float)
现在我想处理一个更复杂的问题。我有一个测量系列，其中有3个测量系列作为例子。对于每个测量序列，我有4个输入参数(输入)和3个相应的测量值(输出)。
现在我想创建一个
浏览 13提问于2019-12-01得票数 0
我已经加载了inceptionResNetV2 Keras模型 base_model = tf.keras.applications.inception_resnet_v2.InceptionResNetV2(include_top=False, weights='imagenet') 我想找出不同层输出的激活的形状--假设标准输入大小为(299x299)。 我的最终目标是做出一个明智的决定，决定保留预训练模型的哪一部分未训练(也使用其他标准)。 我试过了： base_model.summary() 它返回： ? 同样，当我尝试的时候： ? 换句话说，我得到的
浏览 27提问于2019-10-09得票数 1
回答已采纳
我正在使用functional构建tf keras模型。该模型将很好地训练大内存映射数组。但是，由于许多原因，使用tensorflow Dataset对象是有利的。因此，我使用from_tensor_slices()将数组转换为Dataset对象。问题是，这种模式将不再训练。
keras：表示dataset对象是可接受的。
我所遵循的关于如何训练的指南可以在这里找到：
关于如何使用keras的指南是。但是，没有概述使用tf Dataset对象来训练函数API模型。
在此提供了一部MWE：
import numpy as np
import tensorflow as tf
from tenso
浏览 17提问于2022-02-10得票数 1
回答已采纳
我有形状(批次、通道、高度、宽度)= (1，3,224,224)的图像，需要将其提供给预先训练好的TensorFlow模型。但是，默认情况下，TensorFlow期望其预训练的模型输入具有形状(1,224,224，3)。 例如： import tensorflow as tf
import keras2onnx as k2o
import onnx
model = tf.keras.applications.MobileNetV2()
onnx_model = k2o.convert_keras(model, model.name)
onnx.save_model(onnx_model,
浏览 255提问于2020-06-20得票数 1
回答已采纳
2回答
我有我想要训练的折叠式模型(见下图)：
模型输入为20。模型A的输入为10 (初始输入的前10个元素)，模型B的输入为10 (初始输入的最后10个元素)，最后模型C的输入是A和B模型输出的连接。
我如何在Keras同时训练这3种模式？我能把它合并成一个大模型吗？(我只有数据来训练大模型)
浏览 0提问于2021-05-24得票数 0
回答已采纳
我正在使用TensorFlow2.3和tf.keras 我已经用输入的shape (None,120,120,12)对图像训练了一个网络。实际上，由于编码错误，我还可以在将输入声明为(None,128,128,12)的同时训练模型，同时提供(None,120,120,12)批处理。特遣部队只是打印了一个警告，并不关心。这不是以前版本中的行为。我的网络只有卷积层，如果考虑到深度，输入大小有足够的2的幂，它提供与输入形状相同的输出图像，它只有卷积层。 我最终完全训练了这个模型，我也想将它应用于不同形状的图像。有没有合适的方法来改变我训练过的模型的输入形状？或者我应该定义一个新模型，然后一层一层地
浏览 27提问于2020-09-25得票数 1
我已经使用Keras和TensorFlow对按照进行了分类。
网络的输入是形状为28，28的2-D张量，输出是形状为10的1-D张量，这是softmax函数的结果。
如何做到这一点？是否可以使用Keras或必须使用较低级别的API来完成此操作？
经过训练的模型具有以下格式
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activati
浏览 4提问于2018-10-06得票数 8
我有一个同时包含图像和文本功能的数据集。训练数据的标签是一个二维数组，形状与输入图像相同，为1s/0。
因此，基本上，培训投入是：
输入具有(X,Y)形状的图像，
具有形状(Z,)的附加特征集(即文本特征)。
培训标签的形状为(X,Y)。
我正在尝试使用Tensorflow/Keras对这些数据进行模型训练。我知道我可以训练一个输入大小为(X* Y) + Z的模型，但我读到这并不是处理混合图像/附加数据特性的最佳方法。
所以我的问题是：
1)如何建立模型来处理混合输入类型？
2)由于输出与图像大小相同，是否需要定义(X * Y)大小的输出层？如何指定输出层，以便它能够接受多个值
浏览 1提问于2018-08-08得票数 2
回答已采纳
3回答
我正在尝试使用来训练LSTM模型。我的训练数据是这样的：
>>> data.shape()
(100000,variable_sequence_lengths,295)
其中100000对应于实例的数目(序列的总数)，295表示给定序列的每个元素中的特征数。
我收到有关输入数据形状的错误。如何定义输入层和后续层(LSTM)中考虑可变序列长度的数据的形状？
from keras.layers import Input, Dense, concatenate, LSTM
from keras.models import Model
import numpy as np
inpu
浏览 0提问于2019-05-20得票数 2
回答已采纳
我是keras的新手，在这里我正在尝试迁移学习：
然而，我的数据集不是二进制的，并且我有tfrecord文件。我可以在tensorflow中读取文件。我不想将图像作为输入提供给网络，因为输入来自预先训练的模型。如何在Keras中传递ImageDataGenerator类中的图像和标签。
浏览 0提问于2019-07-12得票数 1
1回答
我想训练一个具有多个输入的Keras模型。我想使用第一个输入来训练模型，但第二个和第三个输入是在训练第一个输入时必须使用的变量。我不能使用tf.Variable来使用第二和第三个输入，这两个输入在训练期间是固定的，因为它显示了错误：You must feed a placeholder。所以，我想用tf.keras来喂养它们。我更改了第二个和第三个输入的形状，使其与第一个相似。然后，我使用以下命令将它们连接起来：
inputs = tf.keras.layers.concatenate([data, masks_rep, ind_rep], axis=2)
然后，为了在模型中检索它们，我写道：
浏览 5提问于2021-05-25得票数 0
1回答
我使用的是在Imagenet上预先训练好的Keras Inception_v3：
base_model = InceptionV3(weights='imagenet', include_top=True)
当我从生成的图像进行预测时，我得到了输出向量，它具有一个形状(n,1000)，n是给定的图像数量。因此，现在如果我想解释结果，我需要用于训练模型的1000个输出类的名称……但是我找不到它！
有什么想法吗？
浏览 0提问于2018-08-25得票数 0
回答已采纳
我试图使用tf.keras将tf.keras模型转换为tensorflow估计器，但是结果估计器似乎是不可训练的。
我尝试过使用顺序和函数式的x_1 API来建模y=(x_2+ tf.keras )/2，虽然tf.keras模型工作得很好，但是在转换成估值器之后，两者都不能工作。使用具有相同输入函数的tf.estimator.LinearRegressor确实有效，所以我不认为问题在于输入函数。
下面是顺序定义的tf.keras模型的一个最小工作示例：
import numpy as np
import tensorflow as tf
import functools
sample_siz
浏览 2提问于2019-08-01得票数 0
回答已采纳
1回答
Keras LSTM输入转置
、、、、
我正在使用Keras训练一个timeseries LSTM模型。我知道模型的输入必须采用以下格式：[samples, timesteps, features]。
然而，当我反向转置每个输入元素时，输入现在的格式是：[samples, features, timesteps]我的模型精度显著提高，训练时间也减少了很多。有谁能解释一下原因吗？
作为参考，以下是我的训练数据的统计数据：
samples: 720
timesteps: 256
features: 4
因此，我的输入张量应该具有形状[720, 256, 4]，但重塑为[720, 4, 256]会产生更好的结果。为什么？
浏览 2提问于2018-08-17得票数 1
1回答
Keras RNN精度没有提高
、、、、
我正在努力改进我的模型，这样它就能变得更精确一些。现在，我正在训练这个模型，并把它作为我的训练和验证的准确性。
对于每一个时代，我的训练精度为0.0003，验证精度为0。我知道这不太好，但我不知道如何解决这个问题。
数据用最小最大定标器进行规范化。8个功能中有4个是标准化的(其他4个是小时、日、day_of_week和月份)
更新：--我也尝试过对整个数据集进行规范化，但没有区别
scaling = MinMaxScaler(feature_range=(0,1)).fit(df[cols])
df[[cols]] = scaling.transform(df[[cols]])
我的模型:形状
浏览 1提问于2020-09-10得票数 1
回答已采纳
1回答
我正在成功地从文件中加载一个模型，当我试图预测任何形状(480 )的输入的输出时，我得到的ValueError如下所示：
ValueError:层sequential_1的输入0与层不兼容:输入形状的期望轴-1具有值480，但接收到的输入具有形状(32，1)。
我正在使用的代码
import numpy as np
from keras.models import load_model
model = load_model("my_model.h5")
sample = np.zeros((480,))
model.predict(sample)
你知道为什么会发生这种事
浏览 2提问于2021-04-16得票数 0
回答已采纳
1回答
我有模型要做的角角。一个模型的输出必须作为对其他模型的输入。
Input ->说，一批64×64的图像首先输出->三个输出，将该批的部分输入图像拆分为32×32、64×32和64×16。
每个不同大小的图像将被输入到三个不同的模型，这将进一步分割他们。这将以递归的方式继续六次。
为了更好的理解，请看图：
每个阶段有6个阶段，从父模型中有三个选择。通过这种方式形成了模型的三叉树结构，每个模型都有自己的损失和优化器。
如何在培训过程中实施这一模式？我们应该使用递归吗？在模型训练中，是否允许递归以这种方式在keras中进行？
浏览 5提问于2021-06-23得票数 0
回答已采纳
1回答
我试图加载一个预先训练的嵌入模型，但无论我给出什么形状，我都找不到输入的形状。这似乎是一个非常流行的选择，但我在tensorflow集线器页面上找不到使用什么输入形状的任何指示符。输入序列应该有可变长度，所以我使用无输入形状.Keras自动提供批处理大小。
embedding_url = 'https://tfhub.dev/google/universal-sentence-encoder-large/5'
embedding_layer = hub.KerasLayer(embedding_url)
premises = tf.keras.Input(shape=(No
浏览 1提问于2020-09-03得票数 1
回答已采纳
1回答
在训练下面的GRU模型时，我遇到了一些问题，它必须是有状态的，并且输出隐藏的状态。
import numpy as np
import tensorflow as tf #2.1.0
from tensorflow import keras
BATCH_SIZE = 1
nfeatures = 3
history = 30 # shapes input array
horizon = 5 # shapes output array
nodes = 32
input_layer = tf.keras.layers.Input(batch_shape=(1,30,3),name="IN
浏览 0提问于2020-06-03得票数 1
我正在尝试使用tensorflow集线器上提供的预训练BERT来实现一个学习排名模型。我使用的是ListNet损失函数的一个变体，它要求每个训练实例都是与查询相关的几个排序文档的列表。我需要模型能够接受形状(batch_size，list_size，sentence_length)中的数据，其中模型在每个训练实例的'list_size‘轴上循环，返回排名并将它们传递给损失函数。在一个只包含密集层的简单模型中，通过增加输入层的维度很容易做到这一点。例如：
from tensorflow.keras.layers import Dense, Input
from tensorflow.ke
浏览 31提问于2021-05-16得票数 1
我试图用我从一些图像中提取的特征来训练模型，模型训练很好，但当我尝试model.predict时，它给出了这个错误。“期望dense_input具有形状(7，)，但得到具有形状(1，)的数组”我知道输入的形状，但这个错误太奇怪了。这对我来说没有任何意义，现在我试图打印我给model.predict的输入的形状，但它没有问题。 import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation
trainX = np.a
浏览 21提问于2019-04-25得票数 2
回答已采纳
1回答
我用Keras训练了一个完全卷积的神经网络。我使用了Functional，并将输入层定义为Input(shape=(128,128,3))，这与我的训练集中图像的大小相对应。
但是，我想对变量大小的图像使用经过训练的模型(这应该可以，因为网络是完全卷积的)。为此，我需要将输入层更改为Input(shape=(None,None,3))。解决这个问题的显而易见的方法是直接使用(None,None,3)的输入形状来训练我的模型，但是我使用了一个定制的丢失函数，在这里我需要指定我的训练图像的大小。
我试图定义一个新的输入层，并将其分配给我的模型，如下所示：
from keras.engine imp
浏览 0提问于2018-04-27得票数 6
1回答
输入图层的形状
、、、
在我的Keras模型中，我不知道应该输入什么作为输入层的形状。该模型在具有12288个样本的1080个向量上进行训练。
我有以下输入形状：
X_train shape: (12288, 1080)
Y_train shape: (6, 1080)
X_test shape: (12288, 120)
Y_test shape: (6, 120)
layers_dims =[12288,64,64,64,6]
并拥有NN：
def net_model(X_train, Y_train, X_test, Y_test, batch_size=32):
model.add(keras.laye
浏览 32提问于2018-08-26得票数 1
回答已采纳
我和凯拉斯是新来的。
我正在研究Keras模型(Version2.2.0)，我已经成功地训练了RGB图像。
我的资源有限，因此已将图像转换为灰度，以减少数据大小(我不确定这是否正确，只是直觉)。我目前的数据集由灰度图像和mush组成，正如我所研究的那样，keras预先训练过的模型期望3通道输入。我尝试了下面的代码来生成图像数据：
train_generator = train_datagen.flow_from_directory(
train_folder,
target_size=(img_width, img_height),
color_mode='grayscale'
浏览 0提问于2018-07-24得票数 0
1回答
我用Keras的内置inception_resnet_v2训练CNN来识别图像.在训练模型时，我有一个数字数组作为输入，输入形状为(1000,299,299，3)，
model.fit(x=X, y=Y, batch_size=16, ...) # Output shape `Y` is (1000, 6), for 6 classes
一开始，当我试图预测时，我通过了一个形状的图像(299,299，3)，但是得到了误差。
ValueError:检查输入时出错:期望input_1有4个维，但得到了形状为(299,299，3)的数组
我重塑了我的投入：
x = np.reshape(x
浏览 1提问于2019-03-17得票数 2
回答已采纳
我正在做一个使用keras深度学习模型的项目，我需要将其转移到PyTorch中。该项目的目标是在图像上本地化一些元素。为了训练它，我首先使用从图像中提取的补丁，然后在完整图像上进行推断。我读到可以使用(None，None,1)作为keras输入层的输入形状，目前它正在工作。然而，相同的训练系统在pytorch中似乎不起作用。因此，我想知道当我开始对全图进行推断时，(None，None,1)输入层是否做了一些特定的事情？
感谢您的回答
浏览 2提问于2019-10-03得票数 1
1回答
我已经在互联网上搜索了几天，试图找到一个解决这个错误的方法，但我找不到的任何东西都是特别适用的：
ValueError: Error when checking target: expected dense_2 to have shape (300,) but got array with shape (60,)
下面是生成错误的代码(数据预处理除外)：
model = keras.Sequential([
keras.layers.Conv1D(5,input_shape=(1,60), kernel_size=12, padding='same'),
keras.laye
浏览 3提问于2018-12-08得票数 0
回答已采纳
我要在Keras中导入一个预先训练好的VGG模型，
from keras.applications.vgg16 import VGG16
我注意到标准模型的类型是keras.models.Sequential，而预先训练的模型是keras.engine.training.Model。我通常使用add和pop分别为顺序模型添加和删除层，但是，我似乎不能将pop用于预先训练的模型。
对于这些类型的模型，是否有pop的替代方案？
浏览 14提问于2017-02-18得票数 1
我使用Keras(2.0.4)和Tensorflow(1.1.0)对Inception_v3进行了再训练和微调。当我使用MultiArray工具将Keras模型转换为MLmodel时，我得到了一个需要Keras输入的模型。如果我理解它要求的是高度，宽度，RGB = (299,299,3)，那么这是有意义的。但是我不知道如何将CVPixelBuffer转换成这种格式。
有没有人能帮我理解一下，为了让我的重新训练的分割模型在coreml中工作，需要进行哪些预处理？或者我需要在转换中做些什么，这样它才能接受CVPixelBuffer？
浏览 0提问于2017-08-08得票数 1
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
即时通信 IM
实时音视频活动推荐
腾讯云开发者
