Python Keras错误拟合模型：提供的元素太多

目标：评估一组5幅图像并生成一幅图像作为输出

问题：我当前收到一个错误提供的元素太多。

免责声明：我是Keras和Deep learning的新手，我完全认为这种方法是错误的，但我想了解为什么会出现这种错误

输出和输入的形状在我看来是正确的

我已尝试使输出只是一个形状为（None，6912.）的密集层
我尝试将输出设置为Conv2d，但随后出现以下错误，我不确定为什么输出是（46,46,3）而不是（48,48,3）

代码：

输出：

Using TensorFlow backend.
dataset:  (385, 48, 48, 3)
x_train:  (379, 5, 48, 48, 3)
y_train: (379, 48, 48, 3)
y_train1: (379, 6912)
model Input:  (None, 5, 48, 48, 3)
model output: (None, 48, 48, 3)
Traceback (most recent call last):
  ....
  File "D:\Program Files\Python35\lib\site-packages\tensorflow\python\framework\tensor_util.py", line 424, in make_tensor_proto
    (shape_size, nparray.size))
ValueError: Too many elements provided. Needed at most -1109917696, but received 1

模型摘要：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv3d_1 (Conv3D)            (None, 5, 48, 48, 40)     60040     
_________________________________________________________________
activation_1 (Activation)    (None, 5, 48, 48, 40)     0         
_________________________________________________________________
conv3d_2 (Conv3D)            (None, 5, 48, 48, 40)     43240     
_________________________________________________________________
flatten_1 (Flatten)          (None, 460800)            0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 460800)            0         
_________________________________________________________________
dense_1 (Dense)              (None, 6912)              -110991078
_________________________________________________________________
reshape_1 (Reshape)          (None, 48, 48, 3)         0         
=================================================================

---

提前感谢

在

Conv2D

案例中，您可能忘记使用

padding='same'

。（3,3）内核在每个维度中移除2个像素

通过稠密层中显示的负数参数，我相信你得到了一个比支持的更大的模型

---

对于单个层，可能存在参数的最大限制。在这种情况下，我会减少卷积中的滤波器数量，或者在展平层之前对通道求和。

在

Conv2D

情况下，您可能忘记使用

填充='same'

。（3,3）内核在每个维度中移除2个像素

通过稠密层中显示的负数参数，我相信你得到了一个比支持的更大的模型

---

对于单个层，可能存在参数的最大限制。在这种情况下，我会减少卷积中的滤波器数量，或者在展平层之前对通道求和。

在conv2D情况下，您可能忘记使用

padding='same'

。使用（3,3）内核将丢弃2个像素。---现在，除了使用

categorical\u crossentropy

之外，我看不到您的代码中有任何问题。您只在分类问题中使用它，我建议您尝试

mse

，以防万一。

model.summary（）

的输出是什么？我已经用模型摘要进行了更新。我确实觉得“-110991078”是个有趣的数字。关于conv2D，你是对的，我没有

padding='same'

。我还将尝试

mse

Whoa。。。。那是。。。。我相信你有一个比我们支持的更大的模型。对于单个层，可能存在参数的最大限制。在这种情况下，我会减少卷积中的滤波器数量，或者在平坦层之前对通道求和。你是对的。将过滤器设置为3和

密集型_1=238885632

。看起来很有效。我可以把评论标记为正确吗？如果没有发布重播，我会标记为正确的，如果你愿意。谢谢。在conv2D的例子中，您可能忘记使用

padding='same'

。使用（3,3）内核将丢弃2个像素。---现在，除了使用

categorical\u crossentropy

之外，我看不到您的代码中有任何问题。您只在分类问题中使用它，我建议您尝试

mse

，以防万一。

model.summary（）

的输出是什么？我已经用模型摘要进行了更新。我确实觉得“-110991078”是个有趣的数字。关于conv2D，你是对的，我没有

padding='same'

。我还将尝试

mse

Whoa。。。。那是。。。。我相信你有一个比我们支持的更大的模型。对于单个层，可能存在参数的最大限制。在这种情况下，我会减少卷积中的滤波器数量，或者在平坦层之前对通道求和。你是对的。将过滤器设置为3和

密集型_1=238885632

。看起来很有效。我可以把评论标记为正确吗？如果没有发布重播，我会标记为正确的，如果你愿意。谢谢

Using TensorFlow backend.
dataset:  (385, 48, 48, 3)
x_train:  (379, 5, 48, 48, 3)
y_train: (379, 48, 48, 3)
y_train1: (379, 6912)
model Input:  (None, 5, 48, 48, 3)
model output: (None, 48, 48, 3)
Traceback (most recent call last):
  ....
  File "D:\Program Files\Python35\lib\site-packages\tensorflow\python\framework\tensor_util.py", line 424, in make_tensor_proto
    (shape_size, nparray.size))
ValueError: Too many elements provided. Needed at most -1109917696, but received 1

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv3d_1 (Conv3D)            (None, 5, 48, 48, 40)     60040     
_________________________________________________________________
activation_1 (Activation)    (None, 5, 48, 48, 40)     0         
_________________________________________________________________
conv3d_2 (Conv3D)            (None, 5, 48, 48, 40)     43240     
_________________________________________________________________
flatten_1 (Flatten)          (None, 460800)            0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 460800)            0         
_________________________________________________________________
dense_1 (Dense)              (None, 6912)              -110991078
_________________________________________________________________
reshape_1 (Reshape)          (None, 48, 48, 3)         0         
=================================================================