Python TypeError:（'；关键字参数未理解：'；，'；子样本'；）

我试图实现以下代码，但它抛出了一个错误

打字错误

Traceback (most recent call last)

<ipython-input-29-6ed67c712ed4> in <module>()
     28     return model    
     29   
---> 30 model = nvidia_model()     
     31 print(model.summary())  
     32 # dead relu problem: when a node in the network essentially dies and only feeds value of 0 to the following nodes.

5 frames

/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/utils/generic_utils.py in validate_kwargs(kwargs, allowed_kwargs, error_message)
    776   for kwarg in kwargs:
    777     if kwarg not in allowed_kwargs:
--> 778       raise TypeError(error_message, kwarg)
    779 
    780 

TypeError: ('Keyword argument not understood:', 'subsample')

---

尝试使用池而不是子样本。通常这会起作用。

我被困在同一个错误上。以下是我的发现：

卷积2D

是Keras v1 API（文档：）

Conv2D

是较新的v2 API（文档：）

我通过以下更改使其工作：

将导入卷积2D更改为导入卷积2D

改变

到

找到了解决办法

这是因为将内核的参数用作元组。所以，对我来说，做（5，5）是有效的

p、 这是我给出的第一个答案，耶

def nvidia_model（）：
模型=顺序（）
添加（卷积2D（24,5,5，子样本=（2,2），输入_形状=（66200,3），激活=（relu'））
add（卷积2d（36,5,5，子样本=（2,2），激活=（relu'））
add（卷积2d（48,5,5，子样本=（2,2），激活=（relu'））
添加（卷积2D（64,3,3，activation='relu'））
模型。添加（辍学率（0.5））
model.add（展平（））
添加（密集（100，激活='relu'））
模型。添加（辍学率（0.5））
添加（密集（50，激活='relu'））
模型。添加（辍学率（0.5））
添加（密集（10，激活='relu'））
模型。添加（辍学率（0.5））
模型.添加（密集（1））#输出预测的转向角
优化器=Adam（lr=1e-4）
compile（loss='mse'，optimizer=optimizer）
回归模型
型号=nvidia_型号（）
打印（model.summary（））

请将代码替换为以下内容：

def nvidia_model（）：
模型=顺序（）
添加（卷积2D（24，（5，5），子样本=（2，2），输入_形状=（66200，3），激活=（relu'））
添加（卷积2D（36，（5，5），子样本=（2，2），激活=（relu'））
add（卷积2d（48，（5，5），子样本=（2，2），激活=（relu'））
添加（卷积2d（64，（3,3），activation='relu'））
模型。添加（辍学率（0.5））
model.add（展平（））
添加（密集（100，激活='relu'））
模型。添加（辍学率（0.5））
添加（密集（50，激活='relu'））
模型。添加（辍学率（0.5））
添加（密集（10，激活='relu'））
模型。添加（辍学率（0.5））
模型.添加（密集（1））#输出预测的转向角
优化器=Adam（lr=1e-4）
compile（loss='mse'，optimizer=optimizer）
回归模型
型号=nvidia_型号（）
打印（model.summary（））

---

（注意我添加了括号。）如果代码仍然不起作用，则将

子样本

替换为

步幅

无处不在

添加一个独立的代码来重现您的问题。您找到解决此问题的方法了吗？我也尝试过同样的方法，但它抛出了一个池大小未定义的错误。你的子样本在哪里？

def nvidia_model():    
    model= Sequential()
     
    model.add(Convolution2D(24, 5, 5, subsample=(2, 2), input_shape=(66, 200, 3), activation='relu'))
    model.add(Convolution2D(36, 5, 5, subsample=(2, 2), activation='relu'))
    model.add(Convolution2D(48, 5, 5, subsample=(2, 2), activation='relu'))
    model.add(Convolution2D(64, 3, 3, activation='relu'))
    model.add(Dropout(0.5))
  
    model.add(Flatten())
  
    model.add(Dense(100, activation = 'relu'))
    model.add(Dropout(0.5))
  
    model.add(Dense(50, activation = 'relu'))
    model.add(Dropout(0.5))
  
    model.add(Dense(10, activation = 'relu'))
    model.add(Dropout(0.5))
  
    model.add(Dense(1)) # output the predicted steering angle 
  
    optimizer = Adam(lr=1e-4)
    model.compile(loss='mse', optimizer=optimizer)
    return model

model = nvidia_model()    
print(model.summary())

model.add(Convolution2D(24, 5, 5, subsample=(2, 2), input_shape=(66, 200, 3), activation='relu'))
    model.add(Convolution2D(36, 5, 5, subsample=(2, 2), activation='relu'))
    model.add(Convolution2D(48, 5, 5, subsample=(2, 2), activation='relu'))
    model.add(Convolution2D(64, 3, 3, activation='relu'))

  model.add(Conv2D(24, 5, 2, input_shape = (66, 200, 3), activation = 'relu'))
  model.add(Conv2D(36, 5, 2, activation = 'relu'))
  model.add(Conv2D(48, 5, 2, activation = 'relu'))
  model.add(Conv2D(64, 3, activation = 'relu'))
  model.add(Conv2D(64, 3, activation = 'relu'))