Keras：批量标准化（轴=1）的等级为0

我试图在Keras中创建一个具有输入（批次、通道（3）、64、32）的神经网络，但我使用批次标准化产生了错误（因为错误从提到的层开始，我选择隔离导致错误的部分）。模型开始如下：

input_imgC = Input(shape=(X.shape[1], X.shape[2], X.shape[3]))
x = Conv2D(32, (5, 5), activation='relu', padding='same', data_format="channels_first")(input_imgC) 
out = BatchNormalization(axis=1)(x)

我收到以下例外情况：

形状必须为秩1，但对于 带有输入的“批处理规格化”1/cond/reformate 4”（op:“reformate”） 形状：[1,32,1,1]，]

我认为数据从卷积层转换得很糟糕，这就是为什么我尝试了没有批量标准化的模型。模型：

input_imgC = Input(shape=(X.shape[1], X.shape[2], X.shape[3]))
out = Conv2D(32, (5, 5), activation='relu', padding='same', data_format="channels_first")(input_imgC) 

正确生成以下摘要：

图层（类型）输出形状参数#
=========================================================================>输入1（InputLayer）（无、3、64、32）0

---

conv2d_1（conv2d）（无、32、64、32）2432
========================================================================总参数：2432个可训练参数：2432个不可训练参数：0

---

我知道我可以用

out=批量标准化（轴=-1）（x）

模型输入为（批处理，64，32，通道（3）），它会工作（我已经尝试过了），但我在开始时需要通道的这种配置，以便使用显示对象显著性的包测试模型

---

有人知道该怎么做吗？

我不知道问题出在哪里，这似乎是一个Keras bug（更新版本或在GitHub上搜索问题可能会显示相关提示）

我的建议是，你在开始时排列维度，然后像往常一样，在最后使用所有东西作为通道

最后，如果输出是图像，请将尺寸恢复到所需的顺序

input_imgC = Input(shape=(X.shape[1], X.shape[2], X.shape[3]))
x = Lambda(lambda inputs: K.permute_dimensions(inputs,(0,2,3,1)))(input_imgC)

x = Conv2D(32, (5, 5), activation='relu', padding='same')(x) 
x = BatchNormalization()(x)

out = .......
out = Lambda(lambda inputs: K.permute_dimensions(inputs,(0,3,1,2)))(out)

提示：

理想情况下，我会在relu之前使用批处理规范化。这将把relu变成一个安全的激活，很少会被冻结，这在不小心使用时是不正确的

x = Conv2D(..., activation='linear')(x) #or no activation
x = BatchNormalization()(x)
x = Activation('relu')(x)

---

使用其他激活（如sigmoid和tanh）进行此操作有一些优点，因为批处理规范化可能有助于逃离饱和区

谢谢，丹尼尔，这很有用。