Keras 序列模型中的数据增强层

xiaoxingxing 2年前 tensorflow 326

原文标题 ：Data Augmentation Layer in Keras Sequential Model

我正在尝试将数据增强作为一个层添加到模型中，但我遇到了我认为是形状问题的问题。我也尝试在增强层中指定输入形状。当我从模型中取出data_augmentation层时，它运行良好。

preprocessing.RandomFlip('horizontal', input_shape=(224, 224, 3))

  data_augmentation_layer = keras.Sequential([                                    
  preprocessing.RandomFlip('horizontal'),
  preprocessing.RandomRotation(0.2),
  preprocessing.RandomZoom(0.2),
  preprocessing.RandomWidth(0.2),
  preprocessing.RandomHeight(0.2),
  preprocessing.RandomContrast(0.2)                                  
], name='data_augmentation')



  model = keras.Sequential([
  data_augmentation_layer,
  Conv2D(filters=32,
         kernel_size=1,
         strides=1,
         input_shape=(224, 224, 3)),
  Activation(activation='relu'),
  MaxPool2D(),
  Conv2D(filters=32,
         kernel_size=1,
         strides=1),
  Activation(activation='relu'),
  MaxPool2D(),
  Flatten(),
  Dense(1, activation='sigmoid')
])```

 The last dimension of the inputs to a Dense layer should be defined. Found None. Full input shape received: (None, None)
    
    Call arguments received:
      • inputs=tf.Tensor(shape=(None, 224, 224, 3), dtype=float32)
      • training=True
      • mask=None

原文链接：https://stackoverflow.com//questions/71455053/data-augmentation-layer-in-keras-sequential-model

我来回复

AloneTogether 评论

层RandomWidth和RandomHeight导致此错误，因为它们导致None维度：请参阅此处的评论：

[…]RandomHeight 将导致高度维度上的 None 形状，因为并非图层的所有输出都将具有相同的高度（按设计）。这对于像 Conv2D 层这样的东西是可以的，它可以接受可变形状的图像输入（在某些维度上没有形状）。

这不适用于随后调用 Flatten 后跟 aDense，因为展平的批次也将具有可变大小（因为可变高度），并且 Dense 层需要最后一个维度的固定形状。您可能可以在密集之前填充 flatten 的输出，但如果您想要这种架构，您可能只想避免导致可变输出形状的图像增强层。

因此，您可以不使用aFlattenlayer，例如，使用aGlobalMaxPool2Dlayer，它不需要事先知道其他维度：

import tensorflow as tf

data_augmentation_layer = tf.keras.Sequential([                                    
  tf.keras.layers.RandomFlip('horizontal',
         input_shape=(224, 224, 3)),
  tf.keras.layers.RandomRotation(0.2),
  tf.keras.layers.RandomZoom(0.2),
  tf.keras.layers.RandomWidth(0.2),
  tf.keras.layers.RandomHeight(0.2),
  tf.keras.layers.RandomContrast(0.2)                                  
], name='data_augmentation')

model = tf.keras.Sequential([
data_augmentation_layer,
tf.keras.layers.Conv2D(filters=32,
        kernel_size=1,
        strides=1),
tf.keras.layers.Activation(activation='relu'),
tf.keras.layers.MaxPool2D(),
tf.keras.layers.Conv2D(filters=32,
        kernel_size=1,
        strides=1),
tf.keras.layers.Activation(activation='relu'),
tf.keras.layers.GlobalMaxPool2D(),
tf.keras.layers.Dense(1, activation='sigmoid')
])

print(model.summary())

Model: "sequential_4"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 data_augmentation (Sequenti  (None, None, None, 3)    0         
 al)                                                             
                                                                 
 conv2d_8 (Conv2D)           (None, None, None, 32)    128       
                                                                 
 activation_8 (Activation)   (None, None, None, 32)    0         
                                                                 
 max_pooling2d_6 (MaxPooling  (None, None, None, 32)   0         
 2D)                                                             
                                                                 
 conv2d_9 (Conv2D)           (None, None, None, 32)    1056      
                                                                 
 activation_9 (Activation)   (None, None, None, 32)    0         
                                                                 
 global_max_pooling2d_1 (Glo  (None, 32)               0         
 balMaxPooling2D)                                                
                                                                 
 dense_4 (Dense)             (None, 1)                 33        
                                                                 
=================================================================
Total params: 1,217
Trainable params: 1,217
Non-trainable params: 0
_________________________________________________________________
None

2年前 0条评论