Tensorflow 卷积神经网络（CNN）输入形状

我是CNN的新手，我有一个关于CNN的问题。我对CNN（特别是Keras）的输入形状有点困惑。 我的数据是不同时间段的2D数据（比如10X10）。因此，我有3D数据。 我将把这些数据输入到我的模型中，以预测未来的时隙。因此，我将有一定数量的预测时隙（假设10个时隙，到目前为止，我可能有一个10x10的数据）。 现在，我的问题是，我必须将这些数据处理为10个通道的2D图像（如CNN、RGB图像中的普通数据）或3D数据。（Keras中的conv2D或conv3D）

---

提前感谢您的帮助。

对于您的情况，

Conv2D

将非常有用。请参考以下说明，了解使用

Conv2D

了解卷积神经网络（CNN）的输入形状

让我们看看输入形状是什么样子。CNN的输入数据如下图所示。我们假设我们的数据是一组图像

输入形状有

（批次大小、高度、宽度、通道）

。在

RGB

的情况下，图像的通道将为

3

，而

greyscale

图像的通道将为

1

让我们看看下面的代码

import tensorflow as tf
from tensorflow.keras.layers import Conv2D

model=tf.keras.models.Sequential()
model.add(Conv2D(filters=64, kernel_size=1, input_shape=(10,10,3)))
model.summary()

输出：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 10, 10, 64)        256       
=================================================================

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (16, 10, 10, 64)          256       
=================================================================

虽然看起来输入形状是

3D

，但在拟合数据时必须传递

4D

数组，该数组应类似

（批量大小，10，10，3）

。由于input_shape参数中没有批大小值，因此在拟合数据时，我们可以使用任何批大小

输出形状为

（无、10、10、64）

。第一个维度表示批次大小，目前为

None

。因为网络事先不知道批量大小

注意：

一旦拟合数据，

无

将替换为拟合数据时给出的批量大小

让我们看看另一个具有批量大小的代码

    import tensorflow as tf
    from tensorflow.keras.layers import Conv2D

    model=tf.keras.models.Sequential()
    model.add(Conv2D(filters=64, kernel_size=1, batch_input_shape=(16,10,10,3)))
    model.summary()

输出：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 10, 10, 64)        256       
=================================================================

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (16, 10, 10, 64)          256       
=================================================================

---

在这里，我将

input\u-shape

参数替换为

batch\u-input\u-shape

。顾名思义，此参数将提前询问批量大小，在拟合数据时，您不能提供任何其他批量大小。

您最好尝试seq2seq或rnn网络，而不是简单的cnn。我认为seq2seq或rnn在我的情况下不起作用。我更喜欢CNN或CNN-LSTM。谢谢。因为您的数据似乎只有一个颜色通道（不是RGB，只是10×10像素），所以我认为Conv2D应该足够了。如果将颜色通道数设置为1，我认为Conv2D操作实际上可能与Conv3D层执行的操作相同。非常感谢！“这很有帮助。”哈米德，如果我回答了你的问题，你能接受答案并投票表决吗。非常感谢。