Python 如何使用固定的内核大小和固定数量的过滤器修复CNN层维度错误？

我目前正试图重建一个报纸上使用的CNN模型

Abhinav Agrawal和Namita Mittal（）的“使用CNN进行面部表情识别：核大小和过滤器数量对准确性影响的研究”

它的独特之处在于它使用固定的内核大小和固定数量的过滤器，并且没有退出层或完全连接的层。本文提出的模型如下：

输入数据（64×64）灰度图像
数据扩充
CONV 8×8×32，批量定额
CONV 8×8×32，RELU，步幅（2×2）
CONV 8×8×32，批量定额
CONV 8×8×32，RELU，步幅（2×2）
CONV 8×8×32，批量定额
CONV 8×8×32，RELU，步幅（2×2）
CONV 8×8×32，批量定额
CONV 8×8×32，RELU，步幅（2×2）
CONV 8×8×32，批量定额
CONV 8×8×32，RELU，步幅（2×2）
CONV 8×8×32，批量定额
CONV 8×8×32，RELU，步幅（2×2）
CONV 8×8×32，批量定额
CONV 8×8×32，RELU，步幅（2×2）
CONV 8×8×32，批量定额
conv7×7×7，RELU，步幅（1×1）
SOFTMAX

我的代码如下所示，并尝试使用相同的数据集和图像从论文中忠实地重新创建模型

将tensorflow导入为tf
从tensorflow进口keras
从tensorflow.keras导入数据集、图层、模型
从tensorflow.keras.preprocessing.image导入ImageDataGenerator
从tensorflow.keras.layers导入稠密、脱落、展平、Conv2D、MaxPoolig2D、批次规格化
从tensorflow.keras.models导入顺序
#从tensorflow.keras.optimizers导入Adam
将matplotlib.pyplot作为plt导入
def plot_模型_acc（历史记录）：
#模型历史的准确性
plt.plot（history.history['accurity']，label='accurity'）
plt.plot（history.history['val\u accurity']，label='val\u accurity'）
产品名称（“型号精度”）
plt.xlabel（'Epoch'）
plt.ylabel（“精度”）
plt.图例（['train'，'test'，loc='左上角〕）
plt.savefig（'model_acc.png'，bbox_inches='tight'）
plt.close（）
def绘图模式损失（历史）：
#损失历史模型
plt.plot（history.history['loss']，label='loss'）
plt.plot（history.history['val\u loss']，label='val\u loss'）
产品名称（“型号损失”）
plt.ylabel（“损失”）
plt.xlabel（'Epoch'）
plt.图例（['train'，'test'，loc='左上角〕）
plt.savefig（'model_loss.png'，bbox_inches='tight'）
plt.close（）
#模型参数
列车目录=‘列车’
test\u目录='test'
val_目录='验证'
列车数量=28709
num_测试=7178
数值=7178
批量大小=64
num_epoch=10
#创建datagen类并将灰度的像素值从0-255重缩放到0-1
列车\数据发生器=图像数据发生器（重缩放=1./255）
test_datagen=ImageDataGenerator（重缩放=1./255）
val_datagen=ImageDataGenerator（重缩放=1./255）
#愤怒0，厌恶1，恐惧2，快乐3，中立4，悲伤5，惊讶6
train\u迭代器=来自\u目录的train\u datagen.flow\u(
列车运行目录，
目标_大小=（64,64），
class_mode='classifical'，
批次大小=批次大小，
颜色（模式=灰度）
test\u iterator=test\u datagen.flow\u from\u目录(
测试目录，
目标_大小=（64,64），
class_mode='classifical'，
批次大小=批次大小，
颜色（模式=灰度）
val_iterator=val_datagen.flow_from_目录(
val_目录，
目标_大小=（64,64），
class_mode='classifical'，
批次大小=批次大小，
颜色（模式=灰度）
#自重新缩放后的颜色模式灰度=1./255
#class_模式是分类的，返回一个热编码标签
#模型创建
#conv层后的输出层大小为
#[（W）−K+2P）/S]+1。
#W是输入卷-在您的情况下为64（对于64x64x1图像）
#K是内核大小——在您的例子中是8
#P是填充-在您的示例中为0
#S是你没有提供的步幅。
模型=顺序（）
add（Conv2D（32，内核大小=（8,8），输入形状=（64,64,1）））
添加（BatchNormalization（））
add（Conv2D（32，内核大小=（8,8），activation='relu'，strips=（2,2）））
add（Conv2D（32，内核大小=（8,8）））
添加（BatchNormalization（））
model.summary（）
add（Conv2D（32，内核大小=（8,8），activation='relu'，strips=（2,2）））
add（Conv2D（32，内核大小=（8,8）））
添加（BatchNormalization（））
add（Conv2D（32，内核大小=（8,8），activation='relu'，strips=（2,2）））
add（Conv2D（32，内核大小=（8,8）））
添加（BatchNormalization（））
model.summary（）
add（Conv2D（32，内核大小=（8,8），activation='relu'，strips=（2,2）））
add（Conv2D（32，内核大小=（8,8）））
添加（BatchNormalization（））
add（Conv2D（32，内核大小=（8,8），activation='relu'，strips=（2,2）））
add（Conv2D（32，内核大小=（8,8）））
添加（BatchNormalization（））
model.summary（）
add（Conv2D（32，内核大小=（8,8），activation='relu'，strips=（2,2）））
add（Conv2D（32，内核大小=（8,8）））
添加（BatchNormalization（））
add（Conv2D（32，内核大小=（8,8），activation='relu'，strips=（2,2）））
add（Conv2D（32，内核大小=（8,8）））
添加（BatchNormalization（））
model.summary（）
add（Conv2D（7，内核大小=（7,7），步幅=（1,1）））
model.add（layers.Activation（'softmax'））
model.summary（）
#优化器定义、学习率越低，花费的时间越长，但高值可能会导致训练不稳定
adam\u optimizer=keras.optimizers.adam（学习率=0.0001）
#一个热编码标签和密集层的分类交叉熵使用softmax激活，否则使用其他损失函数
compile（优化器=adam\u优化器，
损失=tf.keras.loss.CategoricalCrossentropy（根据逻辑=真），
指标=[‘准确度’]）
历史=model.fit(
训练迭代器，
每个历元的步数=列数//批量大小，
epochs=num_epoch，
验证数据=测试迭代器，
验证步骤=数值//批量大小
)
打印（history.history.keys（））
绘图\模型\附件（历史）
绘图模式损失（历史）
model.save_权重（'model.h5'））

我遇到了错误：

“tensorflo

model.add(Conv2D(32, kernel_size=(8, 8),padding='same'))