Python 三维卷积自动编码器不'；t将输出层与输入层匹配

我正在尝试创建一个三维卷积神经网络自动编码器。我无法将张量的输入维度与输出维度匹配

我尝试过改变图层形状，并使用Keras自动编码器

padding='SAME'
步幅=[1,1,1]
self.inputs=tf.placeholder（tf.float32，input\u shape，name='inputs'）
self.targets=tf.placeholder（tf.float32，input_shape，name='targets'）
conv1=tf.layers.conv3d（inputs=self.inputs，filters=16，kernel\u size=（3,3,3），padding=padding，strips=stride，activation=tf.nn.relu）
maxpool1=tf.layers.max_poolg3d（conv1，pool_size=（2,2,2），步长=（2,2,2），填充=填充）
conv2=tf.layers.conv3d（输入=maxpool1，过滤器=32，内核大小=（3,3,3），填充=padding，步幅=stride，激活=tf.nn.relu）
maxpool2=tf.layers.max_poolg3d（conv2，pool_size=（3,3,3），步长=（3,3,3），填充=填充）
conv3=tf.layers.conv3d（输入=maxpool2，过滤器=96，内核大小=（2,2,2），填充=padding，步幅=stride，激活=tf.nn.relu）
maxpool3=tf.layers.max_poolg3d（conv3，pool_size=（2,2,2），步长=（2,2,2），填充=填充）
#潜在内部表征
#译码器
#tf.keras.layers.UpSampling3D（）
unpool1=K.调整卷大小（maxpool3,2,2，“最后一个通道”）
deconv1=tf.layers.conv3d_转置（输入=unpol1，过滤器=96，内核大小=（2,2,2），填充=padding，步幅=stride，激活=tf.nn.relu）
unpool2=K.调整卷大小（1,3,3，“最后一个通道”）
deconv2=tf.layers.conv3d_转置（输入=unpol2，过滤器=32，内核大小=（3,3,3），填充=padding，步幅=stride，激活=tf.nn.relu）
unpool3=K.调整卷大小（取消2,2,2，“最后一个通道”）
deconv3=tf.layers.conv3d_转置（输入=unpol3，过滤器=16，内核大小=（3,3,3），填充=padding，步幅=stride，激活=tf.nn.relu）
self.output=tf.layers.dense（输入=v3，单位=3）
self.output=tf.重塑（self.output，self.input\u形状）

---

ValueError:无法将包含1850688个元素的张量重塑为[1,31,73201,3]（1364589个元素）的形状，以便使用输入形状[1,36,84204,3]，[5]和计算为部分形状的输入张量进行“重塑”（op:“重塑”）：输入[1]=[1,31,73201,3]。

您的输入形状是

[1,31,73,201,3]

。在转置卷积期间，您正在三个

调整卷大小
层中执行
[2,2,2]
、
[3,3,3]
和
[2,2,2]
的放大。如果将这些数字在轴上相乘，则为
[12,12,12]
（每个数字为2*3*2）。因此，解码器的输出将是每个维度中12的倍数

但是
[x，31，73，201，x]
的输入维度形状不是12的倍数。大于这些尺寸的最近倍数是
[x，36，84，204，x]
。因此，解决方案是在解码部分之后，去掉多余的尺寸，并将其与原始尺寸匹配，或者更好的解决方案是用零填充原始形状，使其为12的倍数。在遵循第二个解决方案之后，您将不得不考虑输入的新维度。

更新代码（仅更改部分）

最后,

self.output = tf.reshape(self.output, pad_inputs.shape)

您的输入形状是
[1,31,73,201,3]
。在转置卷积期间，您正在三个
调整卷大小
层中执行
[2,2,2]
、
[3,3,3]
和
[2,2,2]
的放大。如果将这些数字在轴上相乘，则为
[12,12,12]
（每个数字为2*3*2）。因此，解码器的输出将是每个维度中12的倍数

但是
[x，31，73，201，x]
的输入维度形状不是12的倍数。大于这些尺寸的最近倍数是
[x，36，84，204，x]
。因此，解决方案是在解码部分之后，去掉多余的尺寸，并将其与原始尺寸匹配，或者更好的解决方案是用零填充原始形状，使其为12的倍数。在遵循第二个解决方案之后，您将不得不考虑输入的新维度。

更新代码（仅更改部分）

最后,

self.output = tf.reshape(self.output, pad_inputs.shape)