как сделать сеть CNN, описанную ниже таблицей и с изображениями диаграммы?

Question

Я сделал сеть CNN, описанную в исследовательской работе, скажите, пожалуйста, где неправильная реализация, которую я сделал?

Потому что он показывает следующую ошибку:

ValueError: отрицательный размерный размер, вызванный вычитанием 68 из 5 для 'max_pooling2d_1 / MaxPool' (op: 'MaxPool') с входными фигурами: [?, 5,5,8].

Описание представлено в следующих изображениях:

первое изображение описывается сведениями о свертке и максимальном пуле, а описания второго изображения следуют блок-схеме.

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
import numpy as np
import cv2
import os

path1="/home/sanjay/CASIA_B90PerfectCentrallyAlinged_Resized_with_140by140_Energy_Image/"
all_images = []
all_labels = []
subjects = os.listdir(path1)
numberOfSubject = len(subjects)
print('Number of Subjects: ', numberOfSubject)
for number1 in range(0, numberOfSubject):  # numberOfSubject
    path2 = (path1 + subjects[number1] + '/')
    sequences = os.listdir(path2);
    numberOfsequences = len(sequences)
    for number2 in range(4, numberOfsequences):
        path3 = path2 + sequences[number2]
        img = cv2.imread(path3 , 0)
        img = img.reshape(140, 140, 1)
        all_images.append(img)
        all_labels.append(number1)
x_train = np.array(all_images)
y_train = np.array(all_labels)
y_train = keras.utils.to_categorical(y_train)
print(y_train.shape)
print(x_train.shape)

all_images = []
all_labels = []
for number1 in range(0, numberOfSubject):  # numberOfSubject
    path2 = (path1 + subjects[number1] + '/')
    sequences = os.listdir(path2);
    numberOfsequences = len(sequences)
    for number2 in range(0, 4):
        path3 = path2 + sequences[number2]
        img = cv2.imread(path3 , 0)
        img = img.reshape(140, 140, 1)
        all_images.append(img)
        all_labels.append(number1)
x_test = np.array(all_images)
y_test = np.array(all_labels)
y_test = keras.utils.to_categorical(y_test)

print(y_test.shape)
print(x_test.shape)
#print(y_test)

batch_size =123
num_classes = 123
epochs = 80

model = Sequential()
model.add(Conv2D(8, kernel_size=(136,136), activation='tanh', input_shape=(140,140,1)))
model.add(MaxPooling2D(pool_size=(68, 68)))
model.add(Conv2D(8, kernel_size=64, activation='tanh'))
model.add(MaxPooling2D(pool_size=(32, 32)))
model.add(Conv2D(8, kernel_size=28, activation='tanh'))
model.add(MaxPooling2D(pool_size=(14, 14)))
model.add(Conv2D(8, kernel_size=10, activation='tanh'))
model.add(MaxPooling2D(pool_size=(5, 5)))
model.add(Flatten())
model.add(Dense(1000, activation='tanh'))
model.add(Dense(123, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adadelta(), metrics=['accuracy'])

model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(x_test, y_test))

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

Здесь у меня есть 123 субъекта набора данных CASIA_B, и у каждого класса есть 10 кадров.

Answer 1

Ошибка возникает из-за отсутствия достаточной информации о том, как установить размер ядра для слоя свертки и как работает максимальный пул. Я бы посоветовал взглянуть на this , где вы можете найти подробную информацию о свертке и о том, как установить размер ядра. А также для пула .

А для вашей реализации,

model = Sequential()
model.add(Conv2D(8, kernel_size=(5,5), activation='tanh', input_shape=(140,140,1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(8, kernel_size=(5,5), activation='tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(8, kernel_size=(5,5), activation='tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(8, kernel_size=(5,5), activation='tanh'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(1000, activation='tanh'))
model.add(Dense(123, activation='softmax'))
model.summary()

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 136, 136, 8)       208       
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 68, 68, 8)         0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 64, 64, 8)         1608      
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 32, 32, 8)         0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 28, 28, 8)         1608      
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 14, 14, 8)         0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 10, 10, 8)         1608      
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 5, 5, 8)           0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 200)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 1000)              201000    
_________________________________________________________________
dense_2 (Dense)              (None, 123)               123123    
=================================================================
Total params: 329,155
Trainable params: 329,155
Non-trainable params: 0
_________________________________________________________________

Обновление

Для вашей реализации необходим пользовательский слой, который вы можете увидеть в этом репозитории github. Я не уверен, что он полностью разработан или нет.

Вам необходимо загрузить этот файл или, возможно, клонировать полный репозиторий и импортировать, как этот,

from Conv2D121 import Conv2D121


model = Sequential()
model.add(Conv2D(8, (5, 5), padding='valid',
                 input_shape=(140, 140, 1)))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2,2), strides=2, padding='valid'))
model.add(Conv2D121(8, (5, 5), padding='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2,2), strides=2, padding='valid'))
model.add(Conv2D121(8, (5, 5), padding='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2,2), strides=2, padding='valid'))
model.add(Conv2D121(8, (5, 5), padding='valid'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2,2), strides=2, padding='valid'))
model.add(Flatten())
model.add(Dense(1000, activation='tanh'))
model.add(Dense(123, activation='softmax'))
model.summary()