卷积神经网络（CNN）输入形状

Question

我是CNN的新手，我对CNN有疑问。对于CNN的输入形状（特别是Keras），我有些困惑。我的数据是在不同时隙中的2D数据（例如10X10）。因此，我有3D数据。我将把这些数据提供给我的模型以预测即将到来的时隙。因此，我将有一定数量的时隙用于预测（假设有10个时隙，到目前为止，我可能有10X10X10数据）。现在，我的问题是我必须将此数据处理为具有10个通道的2D图像（例如CNN，RGB图像中的普通数据）或3D数据。 （在Keras中为conv2D或conv3D）。

谢谢您的帮助。

Answer 1

[在您的情况下，我认为Conv2D将很有用。请参考以下说明，以了解使用Conv2D的卷积神经网络（CNN）的输入形状。

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。

输入形状为(batch_size, height, width, channels)。如果RGB图像的通道为3，并且greyscale图像的深度为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       
=================================================================

[看起来好像输入形状是3D，但是在拟合数据时必须传递4D数组，该数据应该像(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)。第一维表示批次大小，当前为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给出的批量大小。

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

这里我已将input_shape参数替换为batch_input_shape。顾名思义，此参数将预先询问您的批次大小，并且在拟合数据时您无法提供任何其他批次大小。