Keras - UpSampling2D层似乎返回2D张量，而不是4D张量
Keras是一个开源的深度学习库，它提供了高层次的API，用于构建和训练神经网络模型。Keras的一个核心组件是层（Layer），它是神经网络的基本构建模块。在Keras中，UpSampling2D层用于执行上采样操作，将输入张量的维度扩大。
UpSampling2D层的作用是将输入的2D张量沿着宽度和高度的方向进行重复放大，以增加图像的尺寸。然而，需要注意的是，UpSampling2D层确实返回一个2D张量而不是4D张量。这是因为UpSampling2D层仅执行尺寸上的变换操作，而不会改变通道数或批量大小。
在深度学习中，通常将4D张量用于表示图像数据，其维度顺序为(batch_size, height, width, channels)。因此，在使用UpSampling2D层时，需要将其与其他层结合使用，以获得4D张量输出。
下面是UpSampling2D层的一些关键信息：
- 概念：UpSampling2D层用于执行上采样操作，将输入张量的维度扩大。
- 分类：UpSampling2D层属于神经网络中的卷积层。
- 优势：UpSampling2D层可以帮助在图像生成、图像分割等任务中增加图像的尺寸和细节。
- 应用场景：UpSampling2D层常用于图像生成、语义分割、图像超分辨率等任务。
- 腾讯云相关产品推荐：腾讯云提供了丰富的深度学习相关产品和服务，其中包括AI推理加速器、AI模型训练和推理服务等。您可以参考腾讯云AI开发平台了解更多相关信息。
更多关于Keras UpSampling2D层的详细信息，请参考腾讯云文档： Keras UpSampling2D层 - 腾讯云文档
相关·内容
2回答
我想比较两张图片。
我采用的方法是对它们进行编码。
然后计算两个编码向量之间的角度以进行相似性度量。
下面的代码用于对图像进行编码，然后使用CNN与Keras一起解码图像。
但是，我需要得到张量encoded的值。
如何实现这一目标？
非常感谢。
from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D
from keras.models import Model
from keras import backend as K
input_img = Input(shape=(28, 28, 1))
浏览 2提问于2018-05-30得票数 2
回答已采纳
我将1080x1616张彩色照片输入到Keras的卷积神经网络中。数据很好地通过网络馈送，直到它到达最后一个卷积层，抛出一个错误，说它需要一个4D张量，但却得到了一个(32,1)张量。我不明白这个数字是从哪里产生的。 这是我的模型架构： model = keras.Sequential([
Conv2D(32, (3,3), padding='same', activation='relu', data_format="channels_last", input_shape=(self.x_res,self.y_res,self
浏览 9提问于2019-02-12得票数 0
回答已采纳
1回答
我试图将CRF层应用到我的网络中进行二进制分割，但是这会导致一个错误的ValueError: Shapes (?, 1, 1) and (?, 336, 1) are not compatible。
我想输出一个形状为(batch_size, 224, 336, 1)的张量。基于错误，img_height似乎在引入CRF后就丢失了。
下面是描述模型的一些示例代码。没有通用报告格式在最后，它运行良好。
import keras
from keras.layers import UpSampling2D, Conv2D, Activation, MaxPooling2D
from keras_co
浏览 4提问于2018-05-24得票数 1
回答已采纳
我想循环遍历4D张量的2D矩阵，它是resnet层(激活图或特征图)的输出，以便在测试时对其进行一点修改 注意:我正在使用keras 我尝试使用不同的代码将张量转换为numpy数组，但得到了一些奇怪的错误 总而言之:我只需要对resnet层的激活张量应用一些修改，然后继续向前传递，以便“可能”获得一些准确性增强
浏览 18提问于2019-05-14得票数 0
1回答
嵌入层输出形状为2D
、、、
我遇到了一些关于我的嵌入层的输出形状的问题，根据keras文档，嵌入层应该具有3D张量的输出形状，但我的嵌入层只输出2D张量。 class MyModel(Model):
def __init__(self, vocab_size, embedding_matrix, max_length):
super(MyModel, self).__init__()
self.embedding_l1 = tf.keras.layers.Embedding(input_dim=vocab_size,
浏览 36提问于2020-03-22得票数 0
当我使用QAT (量化感知训练)训练Keras模型时， 有一些不兼容的问题，如不支持BatchNormalization或UpSampling2D等。 如何在不使用每一层tfmot.quantization.keras.quantize_annotate_layer的情况下直接预防它？(尤其是使用tensorflow keras函数API (而不是tf.keras.Sequential)构建模型时)
浏览 22提问于2020-09-29得票数 0
我有一个关于keras上关于Convolution2D层的4D张量的问题。
Keras文档说: 4D张量和形状：(样本，通道，行，列，通道)如果dim_ordering='th‘或4D张量和形状：(样本，行，列，通道)如果dim_ordering='tf’。
我使用'tf'，我的输入呢？当我使用(samples, channels, rows, cols)时，它是可以的，但是当我使用(samples, rows, cols, channels)作为输入时，它有一些问题。
浏览 0提问于2016-03-09得票数 1
在Keras中，Conv2D的输入张量通常是维数为batch_size * n * n * channel_size的四维张量。现在我有一个维度为batch_size * N * n * n * channel_size的5D张量，我想为N中的每个i应用最后三个维度的2D卷积层。例如，如果内核大小为1，那么我期望输出的维度为batch_size * N * n * n * 1。 有人知道用Keras实现它的简单方法吗？ 例如，对于完全连接的层，Keras可以自动执行此操作。如果输入具有形状batch_size * N * n，则Keras中的密集层将为N中的每个i设置FC层。因此，如果设置为
浏览 23提问于2019-01-07得票数 0
回答已采纳
我尝试向keras模型张量提供numpy数组的值。但是张量是4D的，阵列是3D的。如何将这个3Dnumpy数组(128,128，3)转换为4D (?，128,128，3)张量？
浏览 13提问于2020-07-26得票数 0
什么时候应该使用Input，什么时候应该使用InputLayer？在中有一个描述，但我不知道它意味着什么。
InputLayer：
图层用作图的入口点。它可以包装现有张量(传递input_tensor参数)，也可以创建占位符张量(pass参数、input_shape或batch_input_shape以及dtype)。
输入：
Input()用于实例化Keras张量。Keras张量是来自底层后端(Theano或TensorFlow)的张量对象，我们通过某些属性进行扩展，这些属性允许我们通过了解模型的输入和输出来构建Keras模型。
浏览 4提问于2017-06-12得票数 6
keras.layers.RNN
输入形状三维张量(batch_size，timesteps，input_dim)。
输出形状
if return_state:张量列表。第一个张量是输出。剩下的张量是最后的状态，每个状态都有形状(batch_size，单位)。
如果return_sequences:三维张量与形状(batch_size，时间步骤，单位)。否则，二维张量与形状(batch_size，单位)。
1.我对时间步骤的概念感到困惑。
2.我对如何处理三轴输入的过程感到困惑。
简化代码
import keras
from keras.applications.inception_r
浏览 1提问于2018-10-31得票数 0
回答已采纳
1回答
在keras中，神经网络中存在三维体积的中心剪切张量的Cropping3D层。然而，我没有发现类似的东西，虽然他们有torchvision.transforms.CenterCrop(size)的2D图像。
如何在网络中进行裁剪？否则，我需要在预处理中这样做，这是我出于特定原因最不想做的事情。
我是否需要编写一个自定义层，比如在每个轴上切片输入张量？希望能从中得到一些启示
浏览 0提问于2019-08-15得票数 2
回答已采纳
我一直在尝试在MNIST上使用keras.preprocessing.image.ImageDataGenerator()来获取额外的示例。
我在Keras上使用的是一个全连接的网络。在构建和编译模型之前，我首先将3D MNIST重塑为4D张量，然后使用数据增强来帮助拟合模型。
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)
model = Sequential(name="mlp")
model.add(l
浏览 3提问于2018-02-22得票数 0
回答已采纳
当使用Keras UpSampling2D层调整float64数组的大小时，结果将转换为float32。下面的代码片段演示此行为。
import numpy as np
from keras import layers
arr = np.ones((4,4), np.float64).reshape((1,4,4,1))
print(arr.dtype) # float64
upsample = layers.UpSampling2D(interpolation='bilinear')
arr_upsampled = upsample(arr)
print(arr_ups
浏览 0提问于2022-04-11得票数 0
回答已采纳
1回答
批处理中的LSTM状态
、、、
我目前正在研究一个，我很难理解这个重要的LSTM概念。为了使事情尽可能简单，序列具有相同的长度seq_length。据我所知，输入的数据是形状为(n_samples, seq_length, n_features)的，然后我们在大小为M的n_samples/M批次上对LSTM进行如下培训：
每批：
在2D张量(seq_length, n_features)中馈送，并对每个输入的2D张量计算梯度。
将这些梯度相加，得到批处理的总梯度。
反向传播梯度和更新权重
在本教程的示例中，2D张量中的加料是以长度seq_length的向量编码的大小为n_features的序列。然而，本教
浏览 8提问于2017-01-13得票数 4
1回答
我有一个用例，需要在Keras中将2D张量与三维张量连接起来。三维张量的维数是动态的(例如，三维张量可以是具有形状[batch_size, num_timesteps, num_features],的LSTM层的输出，其中batch_size和num_timesteps是动态的)。
我使用RepeatVector来重复2D张量的值，然后再与3D张量进行合并操作。
但是，在我的例子中，“合并”操作会抛出一个错误(下面是错误的详细信息)。我在下面分享了我试图实现的操作的代表性代码，以及错误。
我怀疑这里的问题是动态形状的RepeatVector。还是，我错过了一些更基本的东西？有什么办法我能正确做
浏览 0提问于2019-01-15得票数 2
回答已采纳
我想构建这样一种神经网络架构：。假设输入是一个4D张量(batch_size，1,1500，40)，那么我有3个2D-CNN层(具有批处理范数，relu，最大池化和丢弃)。在第三个cnn层的输出中，我获得了一个4D张量(None，120,1500，1)。现在我的问题来了，如何将GRU层与此输入形状连接起来？我尝试在keras中进行重塑(因此它变成了(None，1500,120))，并通过gru层提供输出，但出现了一些问题……还要考虑我用于训练的标签是3D张量(batch_size，1500，2)。我将keras模型和summary()命令的输出复制到这里：
input_data = I
浏览 0提问于2018-02-14得票数 1
1回答
我试着用角码构建一个卷积的自动编码器，但它似乎不能正常工作。首先，以下是守则：
from keras.models import Sequential
from keras.layers import Reshape
from keras.layers import Flatten
from keras.layers import Dense
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import UpSampling2D
from keras.optimize
浏览 2提问于2018-07-13得票数 0
1回答
我已经看到这个疑问发布了几次，但没有得到任何答案，至少我特别困惑，关于重塑是如何工作的，为什么它是必要的。我将尽量简短并切中要害。
因此，我在TensorFlow文档中读到，当你实现细胞神经网络时，在将数据输入卷积层之前，需要对数据进行整形，因为卷积层接受4D张量，而不仅仅是元素列表(下载的训练数据)。
卷积池过程的输出也是一个4D张量。它被送入扁平层。Now...the扁平层，用于接收在将其传递给卷积之前需要整形相同列表元素。但是，为什么这两种方法都适用于扁平层呢？它正在接收项目列表(不能直接馈送到卷积)，现在正在接收4D张量。
因此，如果没有卷积，扁平层接收未整形的数据，如果有卷积池，它接
浏览 1提问于2020-04-06得票数 1
我试图使用tf.keras.layers.Lambda函数的输出作为tf.keras模型中的最后一个层，但是tf将lambda层的输出解释为一个张量(而不是层)对象。
错误是："ValueError:输出到模型的张量必须是TensorFlow Layer的输出(因此保存过去的层元数据)。
代码附在下面
from tensorflow.contrib.keras import layers, models
#lots of stuff up here, all working fine...
logits = layers.Dense(1, name=name+'fc'
浏览 0提问于2018-07-24得票数 1
1回答
我是Keras的新手(对TF来说也是如此)，但是我发现输入层的形状定义非常混乱。
因此，在示例中，当我们有长度为20的一维向量作为输入时，形状定义为
...Input(shape=(20,)...)
当需要为定义灰度图像的2D张量时，它被定义为：
...Input(shape=(28, 28, 1)...)
所以我的问题是为什么张量不被定义为(20)和(28, 28)？为什么在第一种情况下，第二个维度被添加并保持为空？同样在第二，必须定义频道的数量？
我知道这取决于层，所以Conv1D，稠密还是Conv2D都有不同的形状，但是第一个参数似乎是隐式的？
根据的说法，密集需求是(batch_siz
浏览 4提问于2017-09-10得票数 4
回答已采纳
我试图找到一种方法，在高于4维的张量上进行2D卷积，这是keras.layers.Conv2D和keras.backend.conv2d所要求的输入秩。我的意思是，与其输入大小为[batch, W, H, C]的值，我希望能够使用[batch,<some_other_dimensions>, W, H, C]，对于那些其他维度基本上是以“批处理”的方式处理(例如，不受卷积的影响)。不足为奇的是，这会引发一个错误，因此重塑数组似乎是最简单的解决方案，然而，这也存在一些问题(如下所述)。
在重塑时，我正在处理Keras所认为的批处理维度，因此我需要使用keras.backend.res
浏览 2提问于2019-07-10得票数 2
回答已采纳
我正在使用tensorflow版本2，tensorflow.keras。 我做的一个模型是tf.keras.Conv2D序列(需要4D输入张量(样本，行，cols，通道)) 然后是tf.keras.convLSTM2D (需要5D输入张量(样本、时间、行、列、通道)。 由于这个原因，我使用5D张量(样本、时间、行、cols、通道)进行了输入，但在开始实现model.fit(train_data, train_data... )时不能将其输入到tf.keras.Conv2D中 有没有办法让model.fit取5D张量？
浏览 3提问于2020-01-31得票数 0
回答已采纳
Keras在训练卷积自动编码器时抛出了一个ResourceExhaustedError。我正在运行Tensorflow后端。这台电脑既有内存为11 Gbs的Nvidia Tesla，也有内存为6 Gbs的Nvidia Quadro。似乎Tensorflow同时使用了两个GPU？但我不太清楚这一点。下面是我使用的代码的一个最小示例。在我的示例中，数据是dimension=(100,1080,1920,1)的数值数组。
from keras.layers import Convolution2D, MaxPooling2D, UpSampling2D, Activation
from keras.
浏览 1提问于2017-01-08得票数 3
1回答
我要使用这个TensorFlow来混合张量和Keras张量：
但是，当输出需要是Keras张量而不是TensorFlow张量时，问题发生在最后一层。有什么简单的方法可以直接转化吗？还是有一个Keras函数可以进行双线性调整？
finalOut = predict_flow2
finalOut = tf.image.resize_bilinear(finalOut, tf.stack([h, w]), align_corners=True)
model = Model(input=input, output=finalOut)
model.summary()
错误信息：
TypeError:将
浏览 2提问于2018-02-23得票数 5
我分别建立了两个keras序列模型，并使用keras函数api将这两个模型结合起来。在它们之间，我采用了数据重打包，通过两个顺序模型对数据进行调整。
当我进行组合时，就会出现错误。但我不太明白哪个对象在"NoneType“中。
另一个问题是，在进行数据张量重新打包时，我将所有的零放在占位符中。当我运行model.fit时，它会被真实的数据所代替吗?还是它们是常数零？，把两个顺序模型和张量调整在两者之间根本不适用吗？
# I use a keras sequential model to define the 2d model "base_model_SRCNN"
# I
浏览 1提问于2019-07-17得票数 0
有人能解释一下为什么我有这个错误吗?当我使用4D张量时，我应该做些什么。
我尝试了这段代码，在4D张量上总是失败。
谢谢你们所有人。
import * as tf from '@tensorflow/tfjs';
const x = tf.tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]);
const row = 5;
const column = 5;
const depth = 1;
const depth2 = 1;
// Convert from 1D to 2D tensor.
x.as2D(row, column).pri
浏览 1提问于2018-04-07得票数 0
回答已采纳
在tensorflow中，我发现张量有两个变量：_shape和_keras_shape。下图是一个例子： ? K.int_shape()将返回_keras_shape。 _shape和_keras_shape有什么不同
浏览 80提问于2019-06-29得票数 0
我正在尝试使用带有U-net的批处理归一化层来完成分割任务。同样的层对于res-net，vgg，xception等都很好用，我很好奇这是不是一个依赖于架构的问题？在训练期间，一切都很好，指标增长损失dpor，但一旦我试图评估模型或预测掩码，它就会生成垃圾。即使在测试和预测过程中，这些层的学习权重似乎也在不断更新。如何在keras中解决这个问题？keras版本= 2.2.2
我试着只在编码器部分使用批量规范层，没有帮助。我也在尝试设置layers参数: trainable=False，不起作用。
from keras.models import Input, Model
from keras.l
浏览 0提问于2019-05-21得票数 9
我正在使用顺序keras API构建CNN模型，但在第12行(model.add(UpSampling2D((2, 2), padding='same')))上得到以下错误
TypeError: ('Keyword argument not understood:', 'padding')
我使用的是Keras 2.2.4和Tensorflow 1.12.0
你知道为什么会发生这样的事情吗？
我的代码是：
# Fit regression DNN model
print("Creating/Training CNN")
mode
浏览 21提问于2018-12-13得票数 0
回答已采纳
1回答
我正在使用这个参考项目/论文来预测2D图像的深度估计。我不明白粗略的深度图像(Coarse7)是如何在完全连接的层之后形成的。
我使用的是大小为(576,172)的彩色输入图像
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
import keras
from keras.models import Sequential, Model
from keras.applications import vgg16
from keras.layers import Dense, Dropout, A
浏览 20提问于2019-07-19得票数 0
1回答
按照惯例，图像张量总是三维的:一维表示其height，一个表示其width，另一个表示其color channel。它的形状看起来像(height, width, color)。
例如，128个大小为256x256的彩色图像可以存储在形状为(128, 256, 256, 3)的4D张量中。颜色通道在这里表示RGB颜色。另一个例子，128个灰度图像存储在一个4D张量的形状(128, 256, 256, 1)。颜色可以编码为8位整数。
对于第二个例子，最后一个维度是一个只包含一个元素的向量。然后，可以使用三维张量的形状(128, 256, 256,)代替。
我的问题来了:我想知道使用三维张量而不是
浏览 1提问于2019-03-15得票数 6
回答已采纳
我用的是R Keras。例如，我可以通过执行以下操作获得中间层的输出：
layer_output <- get_layer(mymodel, index=1)$output
我的模型是Keras模型。问题是layer_output是张量。
class(layer_output)
[1] "tensorflow.tensor" "tensorflow.python.framework.ops.Tensor"
[3] "tensorflow.python.framework.ops._TensorLike" "
浏览 0提问于2018-10-21得票数 2
回答已采纳
1回答
在角码编码中的最后一层进行裁剪
、、、、
我有形状391 x 400的图像。我试图使用描述为的自动编码器。
具体来说，我使用了以下代码：
from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D
from keras.models import Model
from keras import backend as K
input_img = Input(shape=(391, 400, 1)) # adapt this if using `channels_first` image data format
x = Conv2D(16, (3
浏览 2提问于2017-09-27得票数 3
回答已采纳
1回答
添加形状不匹配的图层输出
、、、
我正在尝试构建一个V-Net，正如所描述的那样，其中需要包括Add层。但是，当来自Input层的张量的形状在下面的Conv3D层中被修改时，Add层会报告ValueError，因为输出张量的形状不再匹配。Add要求这些形状相同。
在我的例子中：
ValueError: Operands could not be broadcast together with shapes (3, 87, 512, 512) (16, 87, 512, 512)
不幸的是，Add层有一个足够通用的术语，使得在线搜索不会返回相关的匹配结果。
示例代码：
# Assume imports are present
浏览 0提问于2019-11-18得票数 0
是否可以在ResNet50中删除/替换预先训练过的tf.keras.applications模型的底层？
例如，我试过这样做：
import tensorflow as tf
pretrained_resnet = tf.keras.applications.ResNet50(include_top=False, weights='imagenet')
inputs = tf.keras.Input(shape=(256,256,1))
x = tf.keras.layers.ZeroPadding2D()(inputs)
x = tf.keras.layers.Conv2D(
浏览 2提问于2020-05-14得票数 3
回答已采纳
我是张量流的新手，我正在尝试建立一个多变量(每个时间步两个特征)多步(预测未来12个时间步)预测模型。 我创建了tensorflow数据集，将其提供给我的模型:当我打印我的数据集的形状时，我发现了以下内容： <PrefetchDataset shapes: ((None, None, 2), (None, None)), types: (tf.float32, tf.float32)> 我的理解是： (None, None, 2) = Input tensor "features" : (batchSize, Timesteps input, Features
浏览 256提问于2020-04-18得票数 1
1回答
我有一个卷积网络，取自这 github，build.py中的一个。因为它是用过时的keras版本制作的，所以我试图将它重写为2.1.4版本。我来了很长时间，但我在最后一步(希望)遇到了一些麻烦。下面我发布了我现在的代码，但我需要做的是最后的重塑。我收到了错误ValueError: total size of new array must be unchanged，根据这的答案，我得到了这个错误，因为输出的形状与我想要重塑它的形状不相对应。然而，我的身高和宽度都是32的因素，所以我不明白这个问题。网络的最后一层(批处理规范化)返回(Bat (None, 0, 256, 2)的形状。根据我发现的代
浏览 0提问于2018-03-06得票数 1
根据keras ，Input将_keras_shape属性添加到输入张量。然而，如下所示，情况并非如此。
import tensorflow as tf
s = tf.keras.layers.Input(shape=[2], dtype=tf.float32, name='s')
print(s._keras_shape)
Traceback (most recent call last):
File "<input>", line 3, in <module>
AttributeError: 'Tensor' ob
浏览 2提问于2019-02-10得票数 3
回答已采纳
我正在尝试重用前一层的权重矩阵。作为一个玩具示例，我想做这样的事情：
import numpy as np
from keras.layers import Dense, Input
from keras.layers import merge
from keras import backend as K
from keras.models import Model
inputs = Input(shape=(4,))
inputs2 = Input(shape=(4,))
dense_layer = Dense(10, input_shape=(4,))
dense1 = dense_la
浏览 0提问于2016-09-19得票数 4
我使用TensorFlow来重建一个叫做“深度Voxel流”的CNN模型：。
模型的输出为形状的张量。当我试图从4D张量(‘flow=deconv4 :，0:2')中提取前2个通道时，我得到了一个错误：'TypeError：'Conv2dLayer’对象不可订阅‘。
deconv4 = Conv2d(deconv3_bn_relu, 3, [5, 5], act=tf.tanh, padding='SAME',
W_init=w_init, name='deconv4')
flow = deconv4[:, :, :, 0:2]
结
浏览 1提问于2019-01-29得票数 2
回答已采纳
我已经在TensorFlow 2.0中使用Keras functional API创建了一个RNN，下面这段代码可以正常工作 sum_input = keras.Input(shape=(UNIT_SIZE, 256,), name='sum')
x = tf.unstack(sum_input,axis=2, num=256)
t_sum = x[0]
for i in range(len(x) - 1):
t_sum = keras.layers.Add()([t_sum, x[i+1]])
sum_m = keras.Model(
浏览 69提问于2019-04-30得票数 4
回答已采纳
在我的计算管道中，我使用了自定义函数，它将创建定制的keras块，并且在Conv2D中多次使用这些块。最后，得到了两个不同张量的特征映射：TensorShape([None, 21, 21, 64])和TensorShape([None, 10, 10, 192])。在这种情况下，使用tf.keras.layers.concatenate进行连接对我不起作用。有人能指出如何把这两个张量连成一个吗？有什么办法让这事发生吗？
如果我能够用TensorShape([None, 21, 21, 64])和TensorShape([None, 10, 10, 192])的形状连接张量，我想在级联之后执行
浏览 4提问于2020-08-26得票数 2
回答已采纳
我尝试用Keras编译一个模型，输入是一个二维numpy数组。我需要的是取这个2D数组第n位的向量，并将其用作其中一层的一维张量。我该怎么做呢？
浏览 15提问于2017-07-03得票数 2
回答已采纳
将keras中的输入层考虑为：
model.add(layers.Dense(32, input_shape=(784,)))
这意味着输入是一个2D张量，其中没有指定axix=0 (批处理维)，而axis=1是784。Axis=0可以取任何值。
我的问题是：这种风格不让人困惑吗？
理想情况下，它不应该是
input_shape=(?,784)
这反映了axis=0是通配符，而axis=1应该是784。
，有什么特别的原因吗？我是不是漏掉了什么?
浏览 0提问于2018-03-12得票数 0
1回答
为了将医学专业知识与深度学习结合起来，我想将代表同一CT图像的不同地图的多个图像组合在一个张量中。 假设我们从下面的CT图像开始： ? 我们可以手工制作这个特定图像的不同映射(即转换)，以体现相关的医学诊断知识。 因此，我们可能最终得到从1开始的10个2D灰度图像，然后我们可以将其打包为3D张量。 在公共领域(例如Keras)使用这些具有10个通道(而不是3- R-G-B)的3D图像作为输入，利用经过训练的DL CNN模型，是否可以使用迁移学习？ 如果是，是如何实现的？如果不是，还有其他选择吗？
浏览 26提问于2019-10-03得票数 2
我正在学习Keras和functional的用法，特别是关于在另一个分类任务中使用经过预先训练的VGG16模型，我看到了这段代码：
baseModel = VGG16(weights="imagenet", include_top=False, input_tensor=Input(shape=(224, 224, 3)))
headModel=baseModel.output
headModel=Flatten(name="flatten")(headModel)
headModel=Dense(D, activation="relu")(h
浏览 4提问于2019-11-09得票数 0
2回答
我想调整一个张量(层间)，例如(None，2，7,512)到(None，2，8,512)，方法是插值它(比如使用最近的邻居)，类似于Tensorflow中可用的这个函数tf.image.resize_nearest_neighbor。
有什么办法吗？
我尝试直接使用Tensorflow函数tf.image.resize_nearest_neighbor并将张量传递给下一个Keras层，但是在下一层中引发了此错误：
AttributeError：“张量”对象没有属性“_keras_history”
我相信这是由于Tensorflow张量中缺少的一些属性，这是有意义的，因为层期望Keras
浏览 3提问于2017-09-26得票数 1
回答已采纳
我得到了这个错误，我不知道它为什么要来。有人来帮我。
import warnings
warnings.filterwarnings('ignore',category=FutureWarning)
import tensorflow as tf
import keras
from keras.layers.convolutional import Conv2D, AtrousConvolution2D
from keras.layers import Activation, Dense, Input, Conv2DTranspose, Dense, Flatten
from
浏览 3提问于2020-02-09得票数 1
回答已采纳
1回答
在Keras中称量张量
、、、、
我有一个非常简单的问题，似乎在Keras中没有内置的解决方案。
我的问题是：
我有一个(50，)维张量(层1的输出)，它应该被乘以一个(50，49)维张量。
这些张量是某些层的输出。
我认为简单乘法(layer1，layer2)可以工作，但结果是它们需要相同形状的张量。
我试图得到：(50，)层的每个元素应该被乘以(50，49)层中的每个49维向量，输出作为(50，49)张量。
在Keras中有什么办法可以做到吗？
浏览 0提问于2017-06-21得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
