Документация на Dense не является самой ясной, но это ясно из раздела, описывающего формы ввода и вывода.
Примечание: если входное значение для слоя имеет ранг больше 2, то оно выравнивается до начального точечного произведения с помощью kernel.
...
Форма ввода
nD тензор с формой: (batch_size, ..., input_dim). Наиболее распространенная ситуация - это двумерный ввод с формой (batch_size, input_dim).
Форма вывода
nD тензор с формой: (batch_size, ..., units). Например, для двумерного ввода с формой (batch_size, input_dim) вывод будет иметь форму (batch_size, units).
Это очень запутанно, потому что в нем говорится о том, как сначала будут сглаживаться тензоры более высокого ранга (что заставляет вас думать, что общий результат Dense(1) будет чисто скалярным значением для каждого примера из пакета), но, как вы продемонстрировали с помощью Ваша распечатка из summary(), она сохраняет те же промежуточные размеры тензора.
Таким образом, если вы введете входное значение, равное (None, 640, 959, 8), это означает, что Dense будет обрабатывать конечное измерение как единое целое для полных соединений и обрабатывать каждую отдельную единицу среди 640x959 местоположений, указанных внутренними измерениями. как отдельный выход нейрона ...
Итак, если ваша сеть это:
nn = Sequential()
nn.add(Conv2D(8, (3,3), input_shape = (640, 959, 3), activation='relu', padding='same'))
nn.add(Conv2D(8, (3,3), activation='relu', padding='same'))
nn.add(Dense(1, activation='softmax'))
тогда конечная форма вывода будет
(None, 640, 959, 1)
То есть каждый выходной «пиксель» (i, j) в сетке 640x959 рассчитывается как плотная комбинация из 8 различных каналов свертки в точке (i, j) из предыдущего слоя.
Существуют различные способы достижения одной и той же цели, например, свертка 1x1, которая уменьшает размер канала с 8 до 1, что также дает одинаковую выходную форму со слоем, подобным
Conv2D(1, (1,1), activation='relu', padding='same')
или вы можете сослаться на пример "naive Keras" для конкретного соревнования Kaggle, над которым вы работаете, которое использует это:
model = Sequential()
model.add( Conv2D(16, 3, activation='relu', padding='same', input_shape=(320, 480, 12) ) )
model.add( Conv2D(32, 3, activation='relu', padding='same') )
model.add( Conv2D(1, 5, activation='sigmoid', padding='same') )
Отдельно от всего этого у нас есть две проблемы неправильных измерений данных из кода, который вы напечатали для нас.
Во-первых, вы утверждаете, что высота изображения равна 440, но вывод keras говорит о 640.
Другое - ваш последний плотный слой имеет 6 каналов на выходе, но соответствующий код, который вы указали, может привести только к 1 каналу.
Вероятно, все еще существует некоторое несоответствие между кодом, который вы используете, и кодом, который вы вставили здесь, что не позволяет нам увидеть полную проблему с проблемами измерения.
Например, уровень потерь для этой сети должен сравнивать битовые маски наземной истинности пикселей местоположения автомобиля с выводом 640x959 Dense вашего последнего слоя (как только вы исправите странную проблему, когда вы показываете 6 каналов в выход).
Но сообщенное вами сообщение об ошибке
ValueError: Ошибка при проверке цели: ожидалось, что плотность_1 имеет 4 измерения, но получен массив с формой (159, 640, 959)
и это говорит о том, что пакет целевых данных, возможно, необходимо преобразовать в тензор формы (159, 640, 959, 1), просто ради совместимости с формой, которая выходит из вашего слоя Dense.