时间戳

首页 > 解决方案 > 用于输出的 Keras 2D 密集层

conv-neural-network - 用于输出的 Keras 2D 密集层

问题描述

我正在玩一个模型，它应该以 8x8 棋盘作为输入，编码为 224x224 灰度图像，然后输出 64x13 单热编码逻辑回归 = 方块上的概率。

现在，在我不太清楚的卷积层之后，如何继续获得 2D-Dense 层作为结果/目标。

我尝试将 Dense(64,13) 作为层添加到我的 Sequential 模型中，但出现错误“Dense` 只能接受 1 个位置参数（'units',）”

甚至可以训练二维目标吗？

EDIT1：这是我的代码的相关部分，简化：

# X.shape = (10000, 224, 224, 1)
# Y.shape = (10000, 64, 13)

model = Sequential([
    Conv2D(8, (3,3), activation='relu', input_shape=(224, 224, 1)),
    Conv2D(8, (3,3), activation='relu'),

    # some more repetitive Conv + Pooling Layers here

    Flatten(),

    Dense(64,13)
])

TypeError:Dense只能接受 1 个位置参数 ('units',)，但您传递了以下位置参数：[64, 13]

EDIT2：正如 Anand V. Singh 所建议的，我将 Dense(64, 13) 更改为 Dense(832)，效果很好。损失 = 毫秒。

使用“sparse_categorical_crossentropy”作为损失和 64x1 编码（而不是 64x13）不是更好吗？

标签： conv-neural-networkkeras-layersequential

解决方案

在 Dense 中，您只传递您期望的层数作为输出，如果您想要 (64x13) 作为输出，请将层尺寸设置为Dense(832)(64x13 = 832)，然后再进行整形。您还需要重塑 Y 以便准确计算损失，这将用于反向传播。

# X.shape = (10000, 224, 224, 1)
# Y.shape = (10000, 64, 13)
Y = Y.reshape(10000, 64*13)
model = Sequential([
    Conv2D(8, (3,3), activation='relu', input_shape=(224, 224, 1)),
    Conv2D(8, (3,3), activation='relu'),
    # some more repetitive Conv + Pooling Layers here
    Flatten(),
    Dense(64*13)
])

那应该可以完成工作，如果它没有在失败的地方发布，我们可以继续进行。

推荐阅读