Keras 中局部连接层的维度

Question

我正在尝试使用 LocallyConnected1D 层（而不是 Dense）构建一个自动编码器，但我很难理解这两种层类型的不同之处——尤其是在输出方面维度。

model = Sequential()
model.add(Reshape(input_shape=(input_size,), target_shape=(input_size,1))
model.add(LocallyConnected1D(encoded_size, kernel_size)
model.add(LocallyConnected1D(input_size, kernal_size_2, name="decoded_layer"))

这个模型编译得很好，但是当我去训练它时...

model.fit(x_train, x_train,
         epochs=epochs,
         batch_size=batch_size,
         shuffle=True,
         validation_data=(x_test, x_test))

其中 x_train 和 x_test 分别是形状为 (60000, 784) 和 (10000, 784) 的 numpy 数组。我在这一行收到以下错误：

ValueError: Error when checking target: expected decoded_layer to have 3 dimensions, but got array with shape (60000, 784)

进入 decoded_layer 的张量的形状不应该是 (60000, encoded_size, 1)?

Answer 1

首先，您不必将 None 作为 input_shape 中的第一个维度。 Keras 自动假定还有另一个输入维度，即样本数。

其次，LocallyConnected1D 需要 3D 输入。这意味着你的 input_shape 应该是 (int, int) 的形式，keras 推断出 (None, int, int)

的形状

一个例子：

model = Sequential()
model.add(LocallyConnected1D(64, 3, input_shape=(10,10))) #takes a 10 by 10 array for each sample
model.add(LocallyConnected1D(32, 3))

如果您的数据形状不正确，您始终可以使用 Reshape() 图层。假设您的输入是 (batch_size, 50) 的形状，因此每个样本都是 50 个元素的一维向量：

model = Sequential()
model.add(Reshape(input_shape=(50,), target_shape=(50,1)) #makes array 3D
model.add(LocallyConnected1D(64, 3))
model.add(LocallyConnected1D(32, 3))

Keras 中局部连接层的维度

Dimensions of locally connected layers in Keras

python

autoencoder

keras