Python 3.x 在keras中添加密集层时出错

我试图实现一个简单的Keras猫对狗分类器，但在添加一个密集层时，它返回一个值错误。 我正在使用theano作为后端。 代码如下：

from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

classifier = Sequential()
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Flatten())
classifier.add(Dense(units = 128, activation = 'relu'))

下面是模型的摘要

在执行最后一行（添加密集层）时，我得到以下错误：

ValueError: ('The specified size contains a dimension with value <= 0', (-448, 128))

我找不到问题所在

---

提前谢谢

我运行了上面的代码，得到的摘要与您的不同

你应该提供更多的信息，比如你使用的keras版本和后端

我怀疑您的keras.json文件中有问题

从开始，检查keras.json文件（位于主目录.keras/keras.json中）

应该是这样的

{
“图像数据格式”：“最后一个通道”，
“图像尺寸排序”：“tf”，
“ε”：1e-07，
“floatx”：“float32”，
“后端”：“tensorflow”
}

或

{
“图像数据格式”：“最后一个通道”，
“图像尺寸排序”：“th”，
“ε”：1e-07，
“floatx”：“float32”，
“后端”：“theano”
}

我运行了上面的代码，得到的摘要与您的不同

你应该提供更多的信息，比如你使用的keras版本和后端

我怀疑您的keras.json文件中有问题

从开始，检查keras.json文件（位于主目录.keras/keras.json中）

应该是这样的

{
“图像数据格式”：“最后一个通道”，
“图像尺寸排序”：“tf”，
“ε”：1e-07，
“floatx”：“float32”，
“后端”：“tensorflow”
}

或

{
“图像数据格式”：“最后一个通道”，
“图像尺寸排序”：“th”，
“ε”：1e-07，
“floatx”：“float32”，
“后端”：“theano”
}

如果要跨通道维度进行卷积，请尝试在卷积和池中显式设置

数据格式

参数，如下所示：

classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu', data_format='channels_last'))
classifier.add(Conv2D(32, (3, 3), activation = 'relu', data_format='channels_last'))
classifier.add(MaxPooling2D(pool_size = (2, 2), data_format='channels_last'))

或者重塑数据，使其具有形状

（3、64、64）

简单来说，卷积的工作原理大致如下图所示：

您可以看到，灰色过滤器跨过图像的像素（蓝色），以提取所谓的局部模式（绿色）。理想情况下，应沿图像的宽度和高度（即数据中的两个64维）应用此过滤器。
当我们按照惯例在通道中分割图像时，这也特别有用，通常用于表示它们的RGB组件。在这种情况下，gif中显示的相同过程并行应用于三个通道，并且通常可应用于N个任意通道。此图像应有助于澄清：

长话短说，打电话时：

 classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

---

默认情况下，Keras认为您正在传递一个64个通道的64 x 3图像，并尝试相应地进行卷积。这显然是错误的，并导致负维（注意卷积如何缩小图像的大小）。通过指定

'channels\u last'

格式，您可以告诉Keras图像的方向（组件维度位于最后一个“位置”），以便它能够在64 x 64图像之间正确卷积

如果要跨通道维度进行卷积，请尝试在卷积和池中显式设置

data\u format

参数，如下所示：

classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu', data_format='channels_last'))
classifier.add(Conv2D(32, (3, 3), activation = 'relu', data_format='channels_last'))
classifier.add(MaxPooling2D(pool_size = (2, 2), data_format='channels_last'))

或者重塑数据，使其具有形状

（3、64、64）

简单来说，卷积的工作原理大致如下图所示：

您可以看到，灰色过滤器跨过图像的像素（蓝色），以提取所谓的局部模式（绿色）。理想情况下，应沿图像的宽度和高度（即数据中的两个64维）应用此过滤器。
当我们按照惯例在通道中分割图像时，这也特别有用，通常用于表示它们的RGB组件。在这种情况下，gif中显示的相同过程并行应用于三个通道，并且通常可应用于N个任意通道。此图像应有助于澄清：

长话短说，打电话时：

 classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

---

默认情况下，Keras认为您正在传递一个64个通道的64 x 3图像，并尝试相应地进行卷积。这显然是错误的，并导致负维（注意卷积如何缩小图像的大小）。通过指定

'channels\u last'

格式，您可以告诉Keras图像的方向（组件维度位于最后一个“位置”），以便它能够在64 x 64图像之间正确卷积

您正在使用哪个后端？@MatiasValdenegro我正在使用后端作为您正在使用的后端？@MatiasValdenegro我正在使用后端作为theano@loannis我尝试将代码更改为“image\u dim\u ordering”：“th”，但没有成功。默认情况下，它是

{“backend”：“theano”，“image\u data\u format”：“channels\u last”，“floatx”：“float32”，“epsilon”：1e-07}

@loannis我尝试将代码更改为“image\u dim\u ordering”：“th”，但没有成功。默认情况下，它是

{“backend”：“theano”，“image\u data\u format”：“channels\u last”，“floatx”：“float32”，“epsilon”：1e-07}

非常感谢alot@Daniele Grattarola，你太棒了！。添加

data\u format='channels\u last'

有效。但是你能用蹩脚的语言解释一下问题是什么吗？我用了更长的解释更新了答案，我很高兴它奏效了。（你能接受这个答案吗？我正在努力提高我的声誉）非常感谢@Daniele Grattarola，你太棒了！。添加

data\u format='channels\u last'

有效。但是你能用蹩脚的语言解释一下问题是什么吗？我用了更长的解释更新了答案，我很高兴它奏效了。（你能接受这个答案吗？我正在努力提高我的声誉）