Neural network 利用keras保持空间信息的图像预测二维矩阵

我想训练CNN使用Keras从

224x224x13

图像预测

100x100x1

矩阵（热图）。我的想法是微调keras提供的预训练网络（resnet、Exception、vgg16等）

第一步是用预先训练好的顶层替换满足问题约束的顶层。我试图预测数值范围为0到1的热图图像。因此，我希望网络的输出为

100x100x1

矩阵。我相信如果我使用

展平

，然后使用

密集

层

1000x1x1

，我将失去我不想要的空间信息（对吧？）

我希望我的代码是灵活的，能够独立于正在使用的预训练体系结构运行（我必须运行许多实验）。因此，我想堆叠一个

密集的

层，该层连接到前面任何类型层的每个单元（这取决于我将使用的预训练架构）

一些答案与完全卷积方法有关，但这不是我在这里的意思。我的

X

和

Y

都有固定的形状（

224x224x3

和

100x100x1

）

我的问题是，我现在不知道如何堆叠新层，使网络的预测/输出是

100x100x1

矩阵。 正如答案中所建议的那样，我正在尝试添加一个

100x100x1

density

层。但我似乎无法让它工作： 例如，如果我喜欢这样：

x = self.base_model.output
predictions = keras.layers.Dense(input_shape = (None, 100,100), units= 1000, activation='linear')(x)
self.model = keras.models.Model(input=self.base_model.input, output=predictions)

当我开始训练时，我得到了这个：

ValueError:检查目标时出错：预期密集_1有4个维度，但得到的数组具有形状（64100100）

网络的

Y

确实是批形状

（64100100）

有什么建议吗

另外，我应该使用哪种损失函数？正如答案中所建议的，我可以使用

mse

，但我想知道，是否有任何损失函数能够测量我所需

100x100x1

输出的空间信息

提前谢谢

编辑： 由于@ncasas的回答，我半解决了我的问题：

我只是添加了一些反褶积层，直到得到类似于

100x100x1

的输出。这不是我一开始想要的，因为这个实现对于构建在上面的预训练体系结构并不是不可知的。对于带有

input_shape=（224224，224，3）

的

exception

，此顶层给出的输出为

80x80x1

：

x = self.base_model.output
x = keras.layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = keras.layers.UpSampling2D((3, 3))(x)
x = keras.layers.Conv2D(16, (3, 3), activation='relu', padding='same')(x)
x = keras.layers.UpSampling2D((2, 2))(x)
x = keras.layers.Conv2D(16, (3, 3), activation='relu')(x)
x = keras.layers.UpSampling2D((2, 2))(x)
predictions = keras.layers.Conv2D(filters = 1,
                                 kernel_size = (3, 3),
                                 activation='sigmoid',
                                 padding='same')(x)
self.model = keras.models.Model(input=self.base_model.input, output=predictions)

其中，

self.base\u model

是

keras.applications.exception（权重='imagenet'，include\u top=False，input\u shape=（224224，224，3））

我终于使用了

mse

作为损失函数，它工作得很好。

您应该会发现它很有用。只需将完全连接的层替换为卷积层即可。结果将是图像较小部分的预测热图，而不是整个图像的单一预测

---

你应该使用分类交叉熵损失函数。

你所描述的是多元线性回归加转移学习

为了重用经过培训的Keras模型的第一层，您可以在Keras博客的“使用预培训网络的瓶颈特性：一分钟内90%的准确率”一节中进行操作。就您的情况而言，唯一的区别在于：

对于上一层之前的层，可能应该有大于256的值

最后一层为10000单位密度层，具有线性激活（即完全没有激活）。您可以将预期输出从100x100重塑为100000，也可以向网络添加额外的重塑层以获得100x100输出

请记住，在网络的卷积部分和多层感知器部分（即最后的密集层）之间，必须有一个

展平
层，以将获取的激活模式放置在单个矩阵中（在链接的帖子中搜索“展平”）；您收到的错误就是因为这个

如果不想展平激活模式，可以直接在最后一层中使用。为此，您可以在“卷积自动编码器”一节中查看

通常用于回归问题的损失函数是均方误差（MSE）。如前所述，在回归中使用交叉熵是没有意义的。
为什么
分类交叉熵
而不是
均方误差
？感谢您为什么
均方误差
而不是
范畴性错误
？感谢您能详细介绍一下如何添加100x100密集层（我已经用一些相关问题更新了我的问题）
units
参数是
密集层的神经元数量。如果我使用
展平
，我会丢失空间信息，这是我不想要的。如何定义“100x100x1密集层”？很抱歉，我从未见过层的大小作为命名参数传递，总是将其用作
Dense（200）
，我不知道它的名称。我已经澄清了这一部分，并添加了一个如何避免扁平化的示例。