Python 因'的1减去3而导致的负尺寸；conv2/卷积'；

我在Keras中声明输入层时收到此错误消息

ValueError:从1中减去3导致尺寸标注大小为负 “conv2d_2/卷积”（op:“conv2d”）与输入形状：[？、1,28,28]， [3,3,28,32]

我的代码是这样的

model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(1,28,28)))

示例应用程序：

默认情况下，Convolution2D（）希望输入的格式为（样本、行、列、通道），即“通道最后一个”。您的数据的格式似乎是（样本、通道、行、列）。在声明卷积2D层时，您应该能够使用可选关键字

data\u format='channels\u first'

来修复此问题

model.add(Convolution2D(32, (3, 3), activation='relu', input_shape=(1,28,28), data_format='channels_first'))

---

我也有同样的问题，但是这个线程中提供的解决方案对我没有帮助。 在我的例子中，是另一个问题导致了这个错误：

---

代码

---

错误 图像大小是32乘32。在第一个卷积层之后，我们将其减少到30乘30。（如果我正确理解卷积）

然后池层将其除以15

然后另一个卷积层将其减少到13乘13

我希望你能看到这是怎么回事： 最后，我的特征映射太小，以至于我的池层（或卷积层）太大，无法覆盖它，这导致了错误

---

解决方案

---

解决此错误的简单方法是增大图像大小或使用较少的卷积层或池层。

Keras具有以下后端兼容性：

TensorFlow：由谷歌提供， Theano：由LISA实验室开发， CNTK：微软公司

每当您看到[？，X，X，X]，[X，Y，Z，X]出现错误时，解决此Keras使用自动模式的通道问题：

进口

from keras import backend as K
K.set_image_dim_ordering('th')

“tf”格式意味着卷积核将具有以下形状（行、列、输入深度、深度）

---

这将始终有效…

您可以通过将值设置为“相同”来保留卷的空间尺寸，以便输出卷大小与输入卷大小匹配。 使用padding='same'

使用以下命令：

from keras import backend
backend.set_image_data_format('channels_last')

根据您的偏好，您可以使用

'channels\u first'

或

'channels\u last'

设置图像数据格式。（）

如果这不起作用，并且你的图像尺寸很小，请尝试缩小你的CNN的架构，正如前面的海报所提到的那样

希望有帮助

    # define the model as a class
class LeNet:

  '''
      In a sequential model, we stack layers sequentially. 
      So, each layer has unique input and output, and those inputs and outputs 
      then also come with a unique input shape and output shape.

  '''

  @staticmethod                ## class can instantiated only once 
  def init(numChannels, imgRows, imgCols , numClasses, weightsPath=None):

    # if we are using channel first we have update the input size
    if backend.image_data_format() == "channels_first":
      inputShape = (numChannels , imgRows , imgCols)
    else: 
      inputShape = (imgRows , imgCols , numChannels)

    # initilize the model
    model = models.Sequential()

    # Define the first set of CONV => ACTIVATION => POOL LAYERS

    model.add(layers.Conv2D(  filters=6,kernel_size=(5,5),strides=(1,1), 
                              padding="valid",activation='relu',kernel_initializer='he_uniform',input_shape=inputShape))
    model.add(layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)))

我希望这会有所帮助：）

---

请参阅代码：

我认为您需要使用3x3内核。在这种情况下，您应该编写

（3,3）

，而不是

3,3

。如何找出使用（3,3）或（4,4）或（5,5）的区别@ml4294i将首先尝试。请注意，它可以在~/.keras/keras.json中全局设置：“image_data_格式”：“channels_first”“最简单的解决方案几乎总是最好的。”这个答案让我可以在自己的环境中使用该解决方案，但在以后的keras版本中似乎已经重命名了一些内容：这非常重要！我也处于同样的处境，太棒了！我也有同样的问题，现在我知道为什么了！

    # define the model as a class
class LeNet:

  '''
      In a sequential model, we stack layers sequentially. 
      So, each layer has unique input and output, and those inputs and outputs 
      then also come with a unique input shape and output shape.

  '''

  @staticmethod                ## class can instantiated only once 
  def init(numChannels, imgRows, imgCols , numClasses, weightsPath=None):

    # if we are using channel first we have update the input size
    if backend.image_data_format() == "channels_first":
      inputShape = (numChannels , imgRows , imgCols)
    else: 
      inputShape = (imgRows , imgCols , numChannels)

    # initilize the model
    model = models.Sequential()

    # Define the first set of CONV => ACTIVATION => POOL LAYERS

    model.add(layers.Conv2D(  filters=6,kernel_size=(5,5),strides=(1,1), 
                              padding="valid",activation='relu',kernel_initializer='he_uniform',input_shape=inputShape))
    model.add(layers.AveragePooling2D(pool_size=(2,2),strides=(2,2)))