Tensorflow：应该定义输入的通道维度

Question

我是 Tensorflow 的新手，正在尝试训练特定的深度学习神经网络。我正在使用 Tensorflow (2.11.0) 获取深度神经网络模型，如下所述。我使用的数据也如下：

资料：

这里是一些示例数据。为了方便起见，我们可以考虑 10 个数据样本。在这里，每个样本都有形状：

(128,128)

.

可以将以下代码视为示例训练数据。

x_train = np.random.rand(10, 64, 64, 1)

归一化层：

normalizer = tf.keras.layers.Normalization(axis=-1)
normalizer.adapt(x_train)

搭建模型：

def build_and_compile_model(norm):
    model = tf.keras.Sequential([
      norm,
      layers.Conv2D(128, 128, activation='relu'),
      layers.Conv2D(3, 3, activation='relu'),
      layers.Flatten(),
      layers.Dense(units=32, activation='relu'),
      layers.Dense(units=1)
    ])

    model.compile(loss='mean_absolute_error', optimizer=tf.keras.optimizers.Adam(0.001))
    
    return model

当我做

dnn_model = build_and_compile_model(normalizer)
dnn_model.summary()

我收到以下错误：

ValueError: The channel dimension of the inputs should be defined. The input_shape received is (None, None, None, None), where axis -1 (0-based) is the channel dimension, which found to be `None`.

我在这里做错了什么？

我试图从this、this、this和this中获得见解。但是，我还没有找到可行的解决方案。

我应该怎么做才能消除错误并让模型正常工作？

我将不胜感激任何帮助。

Answer 1

直接在归一化层定义输入形状（或添加一个

Input

层），因为它不能直接推断：

import numpy as np
import tensorflow as tf

x_train = np.random.rand(10, 128, 128, 1)
normalizer = tf.keras.layers.Normalization(input_shape=[128, 128, 1], axis=-1)
normalizer.adapt(x_train)


def build_and_compile_model(norm):
    model = tf.keras.Sequential([
        norm,
        tf.keras.layers.Conv2D(64, 64, activation='relu'),
        tf.keras.layers.Conv2D(3, 3, activation='relu'),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(units=32, activation='relu'),
        tf.keras.layers.Dense(units=1)
    ])

    model.compile(loss='mean_absolute_error', optimizer=tf.keras.optimizers.Adam(0.001))

    return model


dnn_model = build_and_compile_model(normalizer)
dnn_model.summary()

此外，您的模型无法按原样工作，您在第一个

Conv2D

层中使用的内核大小为128，然后在另一个内核大小为3的

Conv2D

层中使用，但您的数据具有

(10, 128, 128, 1)

的形状。我更改它以使您的代码可执行。