Python 卷积自动编码器的Keras值误差
我试图建立一个卷积自动编码器,但我有问题的解码器部分。我的输入图像是32×32×3(RGB) 我假设我的解码器应该以16*16开始,因为我的编码器末尾的密集网络有256个节点。但是当我跑的时候Python 卷积自动编码器的Keras值误差,python,tensorflow,keras,autoencoder,convolutional-neural-network,Python,Tensorflow,Keras,Autoencoder,Convolutional Neural Network,我试图建立一个卷积自动编码器,但我有问题的解码器部分。我的输入图像是32×32×3(RGB) 我假设我的解码器应该以16*16开始,因为我的编码器末尾的密集网络有256个节点。但是当我跑的时候 编码器,解码器=deep\u自动编码器(IMG\u形状,code\u大小=32) 我得到一个错误: ---> 34 decoder.add(keras.layers.Reshape([16,16])) . . . ValueError: total size of new array mus
编码器,解码器=deep\u自动编码器(IMG\u形状,code\u大小=32)
我得到一个错误:
---> 34 decoder.add(keras.layers.Reshape([16,16]))
.
.
.
ValueError: total size of new array must be unchanged
如果有帮助的话,我可以添加完整的错误代码,但是我觉得我犯了一些非常基本的错误。为了应用反褶积滤波器,我需要将编码器的平坦输出转换为矩阵
为了便于阅读网络,我添加了编码器部分的模型摘要-如果我注释掉解码器部分并运行encoder.summary()
你的模型让我烦恼的主要是两件事:第一,你的自动编码器的不对称性。在编码过程中使用conv和pool层,但省略了上采样(反向池)层的使用。这已经在keras中实现为
UpSampling2D
。此外,您还应该在conv和deconv层中使用相同的步幅
第二,在第四次池化之后,您将得到1x1x256的压缩表示。为什么要尝试将其转换为解码部分的16x16x1表示?这也是关于对称性的。无需展平编码层,只需使用1x1x256表示作为解码模型的输入。当您将编码器和解码器作为单独的模型创建时,可以按如下方式堆叠它们:
encoder = Sequential()
encoder.add ...
...
decoder = Sequential()
decoder.add(encoder)
decoder.add ...
还有一个由Francois Chollet()编写的关于如何创建自动编码器的教程。它可能会帮助您实现
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) (None, 32, 32, 3) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 32, 32, 32) 896
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 11, 11, 32) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 11, 11, 64) 18496
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 4, 4, 64) 0
_________________________________________________________________
conv2d_3 (Conv2D) (None, 4, 4, 128) 73856
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 2, 2, 128) 0
_________________________________________________________________
conv2d_4 (Conv2D) (None, 2, 2, 256) 295168
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 1, 1, 256) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 256) 0
_________________________________________________________________
dense_1 (Dense) (None, 32) 8224
=================================================================
encoder = Sequential()
encoder.add ...
...
decoder = Sequential()
decoder.add(encoder)
decoder.add ...