Keras提供了兩套后端，Theano和Tensorflow，不同的后端使用時(shí)維度順序dim_ordering會(huì)有沖突。

對(duì)于一張224*224的彩色圖片表示問(wèn)題，theano使用的是th格式，維度順序是(3，224，224)，即通道維度在前，Caffe采取的也是這種方式。而Tensorflow使用的是tf格式，維度順序是(224，224，3)，即通道維度在后。

Keras默認(rèn)使用的是Tensorflow。我們?cè)趯?dǎo)入模塊的時(shí)候可以進(jìn)行查看，也可以切換后端。

為了代碼可以在兩種后端兼容，可以通過(guò)data_format參數(shù)進(jìn)行維度順序的設(shè)定，data_format='channels_first'，對(duì)應(yīng)“th”，data_format='channels_last'，對(duì)應(yīng)“tf”。

補(bǔ)充知識(shí)：Tensorflow Keras 中input_shape引發(fā)的維度順序沖突問(wèn)題（NCHW與NHWC)

以tf.keras.Sequential構(gòu)建卷積層為例：

tf.keras.layers.Conv2D(10, 3, input_shape=(2, 9, 9),padding='same',activation=tf.nn.relu,kernel_initializer='glorot_normal', bias_initializer='glorot_normal'),

這是一個(gè)簡(jiǎn)單的卷積層的定義，主要看input_shape參數(shù)：

這是用來(lái)指定卷積層輸入形狀的參數(shù)，由于Keras提供了兩套后端，Theano和Tensorflow，不同的后端使用時(shí)對(duì)該參數(shù)所指代的維度順序dim_ordering會(huì)有沖突。

Theano(th)：

NCHW：順序是 [batch, in_channels, in_height, in_width]

Tensorflow(tf)：keras默認(rèn)使用這種方式

NHWC：順序是 [batch, in_height, in_width, in_channels]

即對(duì)于上述input_shape=(2, 9, 9)來(lái)說(shuō)：我們先忽略batch，2會(huì)被解析為通道數(shù)，矩陣大小為9*9，符合我們預(yù)期。而tf會(huì)將矩陣大小解析為2 * 9 ，且最后一位9代表通道數(shù)，與預(yù)期不符。

解決

法一：

在卷積層定義中加入?yún)?shù)來(lái)讓keras在兩種后端之間切換：

data_format='channels_first'：代表th

data_format='channels_last'：代表tf

但是該法在某些時(shí)候不成功會(huì)報(bào)錯(cuò)：

或許是cpu電腦導(dǎo)致的，只支持NHWC即tf模式。

只能修改相應(yīng)文件的配置來(lái)使其支持NCHW，參考這里

法二：(推薦)

使用tf.transpose函數(shù)進(jìn)行高維數(shù)據(jù)的轉(zhuǎn)置（維度大于2，軸的轉(zhuǎn)換）

如將上述(2,9,9)轉(zhuǎn)為(9,9,2)并且是以2為通道數(shù)，即矩陣為9*9，而不是像reshape函數(shù)簡(jiǎn)單的調(diào)整維度，若使用reshape函數(shù)來(lái)轉(zhuǎn)換，只會(huì)得到通道數(shù)為9，矩陣為9 * 2的數(shù)據(jù)。

tf.transpose(待轉(zhuǎn)矩陣,(1,2,0))

解釋：

​ 其中0，1，2…是原矩陣維度從左到右軸的標(biāo)號(hào)，即（2，9，9）中三個(gè)維度分別對(duì)應(yīng)標(biāo)號(hào)0，1，2。而調(diào)整過(guò)后將標(biāo)號(hào)順序變?yōu)?，2，0 即是把表通道數(shù)的軸置于最后，這樣轉(zhuǎn)置后的矩陣就滿足了keras的默認(rèn)tf后端。即可正常訓(xùn)練。

以上這篇使用keras時(shí)input_shape的維度表示問(wèn)題說(shuō)明就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論