时间戳

首页 > 解决方案 > keras Tensorflow中InputLayer的输入形状是什么？

python - keras Tensorflow中InputLayer的输入形状是什么？

问题描述

我有这个数据

X_regression = tf.range(0, 1000, 5)
y_regression = X + 100

X_reg_train, X_reg_test = X_regression[:150], X_regression[150:]
y_reg_train, y_reg_test = y_regression[:150], y_regression[150:]

我检查数据输入数据

X_reg_train[0], X_reg_train[0].shape, X_reg_train[0].ndim

它返回：

(<tf.Tensor: shape=(), dtype=int32, numpy=0>, TensorShape([]), 0)

我建立一个模型：

# Set the random seed
tf.random.set_seed(42)

# Create the model
model_reg = tf.keras.models.Sequential()

# Add Input layer
model_reg.add(tf.keras.layers.InputLayer(input_shape=[1]))

# Add Hidden layers
model_reg.add(tf.keras.layers.Dense(units=10, activation=tf.keras.activations.relu))

# Add last layer
model_reg.add(tf.keras.layers.Dense(units=1))

# Compile the model
model_reg.compile(optimizer=tf.keras.optimizers.Adam(),
                  loss=tf.keras.losses.mae,
                  metrics=[tf.keras.metrics.mae])

# Fit the model
model_reg.fit(X_reg_train, y_reg_train, epochs=10)

该模型有效。

但是，我很困惑input_shape

为什么会[1]出现这种情况？为什么有时它是一个元组？

将不胜感激input_shape在不同情况下的不同格式的解释。

标签： pythontensorflowdeep-learningtf.keras

解决方案

在 Keras 中，输入层本身并不是一个层，而是一个张量。这是您发送到第一个隐藏层的起始张量。此张量必须与您的训练数据具有相同的形状。

示例：如果您有 30 张 50x50 像素的 RGB 图像（3 个通道），则输入数据的形状为(30,50,50,3). 然后你的输入层张量，必须有这个形状（详见“keras 中的形状”部分）。

每种类型的层都需要具有一定维数的输入：

  • 密集层需要输入，(batch_size, input_size)或者(batch_size, optional,...,optional, input_size)在你的情况下只是(input_size)

  • 2D 卷积层需要输入为：

    • 如果使用 channels_last：(batch_size, imageside1, imageside2, channels)
    • 如果使用 channels_first：(batch_size, channels, imageside1, imageside2)

  • 一维卷积和循环层使用(batch_size, sequence_length, features)

以下是一些有用的链接：Keras 输入说明：input_shape、units、batch_size、dim 等 https://keras.io/api/layers/core_layers/input/

推荐阅读