用于转换和手动加载图像的Keras input_shape
convolution
keras
neural-network
python
5
0

我正在从多个384x286黑白图像中手动创建数据集。

我加载这样的图像:

x = []
for f in files:
        img = Image.open(f)
        img.load()
        data = np.asarray(img, dtype="int32")
        x.append(data)
x = np.array(x)

这导致x是一个数组(num_samples,286、384)

print(x.shape) => (100, 286, 384)

阅读keras文档并检查我的后端,我应该向卷积步骤提供一个由(rows,cols,channels)组成的input_shape

由于我不随意知道样本大小,因此我希望将其作为输入大小传递,类似于

( None, 286, 384, 1 )

该模型的构建如下:

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))
# other steps...

作为input_shape(286、384、1)传递会导致:

检查输入时出错:预期conv2d_1_input具有4个维,但数组的形状为(85,286,384)

传递as_input_shape(None,286,384,1)会导致:

输入0与层conv2d_1不兼容:预期ndim = 4,找到的ndim = 5

我究竟做错了什么 ?我该如何重塑输入数组?

参考资料:
Stack Overflow
收藏
评论
共 1 个回答
高赞 时间 活跃

input_shape设置为(286,384,1)。现在,模型需要一个4维的输入。这意味着您必须使用.reshape(n_images, 286, 384, 1)重塑图像。现在,您添加了一个额外的维度,而无需更改数据,并且模型可以运行了。基本上,您需要将数据调整为( n_imagesx_shapey_shapechannels )。

很棒的事情是您还可以使用RGB图像作为输入。只需将channels更改为3。

还要检查以下答案: Keras输入说明:input_shape,units,batch_size,dim等

import numpy as np
from keras.models import Sequential
from keras.layers.convolutional import Convolution2D
from keras.layers.core import Flatten, Dense, Activation
from keras.utils import np_utils

#Create model
model = Sequential()
model.add(Convolution2D(32, kernel_size=(3, 3), activation='relu', input_shape=(286,384,1)))
model.add(Flatten())
model.add(Dense(2))
model.add(Activation('softmax'))

model.compile(loss='binary_crossentropy',
                  optimizer='adam',
                  metrics=['accuracy'])

#Create random data
n_images=100
data = np.random.randint(0,2,n_images*286*384)
labels = np.random.randint(0,2,n_images)
labels = np_utils.to_categorical(list(labels))

#add dimension to images
data = data.reshape(n_images,286,384,1)

#Fit model
model.fit(data, labels, verbose=1)
收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号