使用tf.keras.MaxPooling1D出現(xiàn)錯(cuò)誤問題及解決

更新時(shí)間：2022年12月16日 08:49:17 作者：IMWTJ

這篇文章主要介紹了使用tf.keras.MaxPooling1D出現(xiàn)錯(cuò)誤問題及解決方案，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

使用tf.keras.MaxPooling1D出現(xiàn)錯(cuò)誤

錯(cuò)誤如下

ValueError: Negative dimension size caused by subtracting 2 from 1 for 'pool_2/MaxPool' (op: 'MaxPool') with input shapes: [?,1,1,32].

首先了解MaxPooling1D

tf.layers.max_pooling1d(
? ? inputs,
? ? pool_size,
? ? strides,
? ? padding='valid',
? ? data_format='channels_last',
? ? name=None
)

用于1維輸入的MaxPooling層

pool_size:表示pooling window的大小
strides:指定pooling操作的步長
padding:一個(gè)字符串。padding的方法：string，valid或same，大小寫不敏感。
data_format:一個(gè)字符串，channels_last（默認(rèn)）或channels_first中的一個(gè)，輸入中維度的排序，channels_last對應(yīng)于具有形狀(batch, length, channels)的輸入，而channels_first對應(yīng)于具有形狀(batch, channels, length)的輸入。
name:一個(gè)字符串，表示層的名稱。

出現(xiàn)錯(cuò)誤原因

是圖片通道的問題，也就是”channels_last”和”channels_first”數(shù)據(jù)格式的問題。

input_shape=(3,28,28)是theano的寫法，而tensorflow需要寫出：(28,28,3)

其他人的處理方法

查了很多方法我的問題都沒有解決：

法一：配置.keras下的keras.json文件，將channels_last修改為channels_first

{
"image_data_format" : "channels_first",
"epsilon": 1e-07,
"floatx": "float32",
"backend": "tensorflow"
}

法二：在運(yùn)行代碼前面加兩行代碼：

from keras import backend as K ?
K.set_image_dim_ordering('tf')?

我的處理方法

直接在出現(xiàn)錯(cuò)誤的代碼中補(bǔ)充一個(gè)參數(shù)，加上data_format='channels_first'就可以啦，，

pool_4 = MaxPooling1D(pool_size=2, name='pool_4',data_format='channels_first')(conv_4)

注：此方法適用MaxPooling2D

MaxPooling1D和GlobalMaxPooling1D區(qū)別

import tensorflow as tf

from tensorflow import keras
input_shape = (2, 3, 4)
x = tf.random.normal(input_shape)
print(x)

y=keras.layers.GlobalMaxPool1D()(x)
print("*"*20)

print(y)
'''
  """Global average pooling operation for temporal data.

  Examples:

  >>> input_shape = (2, 3, 4)
  >>> x = tf.random.normal(input_shape)
  >>> y = tf.keras.layers.GlobalAveragePooling1D()(x)
  >>> print(y.shape)
  (2, 4)

  Arguments:
    data_format: A string,
      one of `channels_last` (default) or `channels_first`.
      The ordering of the dimensions in the inputs.
      `channels_last` corresponds to inputs with shape
      `(batch, steps, features)` while `channels_first`
      corresponds to inputs with shape
      `(batch, features, steps)`.

  Call arguments:
    inputs: A 3D tensor.
    mask: Binary tensor of shape `(batch_size, steps)` indicating whether
      a given step should be masked (excluded from the average).

  Input shape:
    - If `data_format='channels_last'`:
      3D tensor with shape:
      `(batch_size, steps, features)`
    - If `data_format='channels_first'`:
      3D tensor with shape:
      `(batch_size, features, steps)`

  Output shape:
    2D tensor with shape `(batch_size, features)`.
  """
'''

print("--"*20)

input_shape = (2, 3, 4)
x = tf.random.normal(input_shape)
print(x)

y=keras.layers.MaxPool1D(pool_size=2,strides=1)(x)  # strides 不指定 默認(rèn)等于 pool_size
print("*"*20)

print(y)

輸出如下圖上圖GlobalMaxPool1D 相當(dāng)于給每一個(gè)樣本每列的最大值