tensorflow - 卷积神经网络（CNN）输入形状

对您而言，Conv2D将很有用。请参阅以下说明，以了解使用的卷积神经网络（CNN）的输入形状Conv2D。

让我们看看输入形状如何。CNN的输入数据如下图所示。我们假设我们的数据是图像的集合。

输入形状有(batch_size, height, width, channels)。如果RGB图像的通道为3且greyscale图像的通道为1。

让我们看下面的代码

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       
=================================================================

以为输入形状看起来很像3D，但是4D在拟合数据时必须传递一个数组(batch_size, 10, 10, 3)。由于input_shape参数中没有批量大小值，因此在拟合数据时可以采用任何批量大小。

输出形状为(None, 10, 10, 64)。第一维表示当前的批次大小None。因为网络事先不知道批次大小。

Note:拟合数据后，None将替换为拟合数据时提供的批量大小。

让我们看看另一个具有批处理大小的代码

    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_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (16, 10, 10, 64)          256       
=================================================================

在这里，我用替换了input_shape论点batch_input_shape。顾名思义，此参数将事先询问您批量大小，并且在拟合数据时您不能提供任何其他批量大小。