如何解决1D CNN、2D CNN 和 3D CNN 的输入形状之间的差异 内核在空间维度上移动相同的内核，所有通道操作是点积
我是第一次为图像分类构建 CNN 模型，我对每种类型（1D CNN、2D CNN、3D CNN）的输入形状以及如何固定数量有点困惑卷积层中的过滤器。我的数据是 100x100x30，其中 30 个是特征。 这是我使用 Functional API Keras 为 1D CNN 撰写的文章：
library(shiny)
library(networkD3)
library(htmlwidgets)
library(tibble)
library(dplyr)
library(ggplot2)
library(ggforce)
ui <- fluidPage(
fluidRow(sankeyNetworkOutput("plot"))
)
server <- function(input,output,session) {
session$onSessionEnded(stopApp)
URL <- paste0(
"https://cdn.rawgit.com/christophergandrud/networkD3/","master/JSONdata/energy.json"
)
energy <- jsonlite::fromJSON(URL)
output$plot <- renderSankeyNetwork({
sn <- sankeyNetwork(
Links = energy$links,Nodes = energy$nodes,Source = "source",Target = "target",Value = "value",NodeID = "name",units = "TWh",fontSize = 12,nodeWidth = 30,nodePadding = 0,width = "100%",sinksRight = FALSE
)
update_diagr <-
'function(el,x) {
d3.select(el)
.selectAll(".node rect")
.filter(function(d) { return d.name.startsWith("National"); })
.attr("transform","translate(0 100) rotate(90)");
}'
onRender(sn,update_diagr)
})
}
shinyApp(ui,server)
但是，在通过将 Conv1D、Maxpooling1D 更改为 Conv2D 和 Maxpooling2D 来尝试 2D CNN 模型时，出现以下错误：
def create_CNN1D_model(pool_type='max',conv_activation='relu'):
input_layer = (30,1)
conv_layer1 = Conv1D(filters=16,kernel_size=3,activation=conv_activation)(input_layer)
max_pooling_layer1 = MaxPooling1D(pool_size=2)(conv_layer1)
conv_layer2 = Conv1D(filters=32,activation=conv_activation)(max_pooling_layer1)
max_pooling_layer2 = MaxPooling1D(pool_size=2)(conv_layer2)
flatten_layer = Flatten()(max_pooling_layer2)
dense_layer = Dense(units=64,activation='relu')(flatten_layer)
output_layer = Dense(units=10,activation='softmax')(dense_layer)
CNN_model = Model(inputs=input_layer,outputs=output_layer)
return CNN_model
CNN1D = create_CNN1D_model()
CNN1D.compile(loss = 'categorical_crossentropy',optimizer = "adam",metrics = ['accuracy'])
Trace = CNN1D.fit(X,y,epochs=50,batch_size=100)
谁能告诉我 2D CNN 和 3D CNN 的输入形状如何？输入数据预处理可以做什么？
解决方法
TLDR; 您的 X_train 可以被视为（批量、空间暗淡...、通道）。内核并行地应用于所有通道的空间维度。因此，2D CNN 将需要两个空间维度 (batch,dim 1,dim 2,channels)。
因此，对于 (100,100,3) 形状的图像，您将需要一个 2D CNN，在所有 3 个通道上卷积超过 100 个高度和 100 个宽度。
让我们理解上面的陈述。
首先，您需要了解 CNN（一般而言）在做什么。
内核在执行简单的矩阵运算（如点product) 到相应的值。
内核在空间维度上移动
现在，假设您有 100 张图像（称为批次）。每张图像都是 28 x 28 像素，有 3 个通道 R、G、B（在 CNN 的上下文中也称为特征图）。如果我将此数据存储为张量，则形状将为 (100,28,3)。
但是，我可以拥有没有任何高度的图像（可能像信号），或者，我可以拥有具有额外空间维度的数据，例如视频（高度、宽度和时间）。
一般来说，以下是基于 CNN 的神经网络的输入的样子。
相同的内核，所有通道
您需要知道的第二个关键点是，2D 内核将在 2 个空间维度上进行卷积，但同一个内核将在所有特征图/通道上执行此操作。所以，如果我有一个 (3,3) 内核。相同的内核将应用于 R、G、B 通道（并行）并在图像的 Height 和 Width 上移动。
操作是点积
最后，操作（对于单个特征图/通道和单个卷积窗口）可以如下所示进行可视化。
因此，简而言之 -
- 内核被应用于数据的空间维度
- 核形状等于空间维度的数量
- 一个内核同时应用于所有的特征图/通道
- 操作是内核和窗口之间的简单点积
让我们以具有单个特征图/通道的张量为例（因此，对于图像，它会被灰度化）-
因此，凭直觉，我们看到如果我想使用 1D CNN，您的数据必须具有 1 个空间维度，这意味着每个样本都需要是 2D（空间维度和通道） ，这意味着 X_train 必须是 3D 张量 (batch,spatial dimensions,channels)。
同样，对于 2D CNN，您将有 2 个空间维度（例如 H、W）并且是 3D 样本 (H,W,Channels) 和 X_train 将是 {{ 1}}
让我们用代码试试这个 -
(Samples,H,Channels)用于应用一维 CNN -
import tensorflow as tf
from tensorflow.keras import layers
X_2D = tf.random.normal((100,7,3)) #Samples,width/time,channels (feature maps)
X_3D = tf.random.normal((100,5,3)) #Samples,height,width,channels (feature maps)
X_4D = tf.random.normal((100,6,2,time,channels (feature maps)
用于应用 2D CNN -
#With padding = same,the edge pixels are padded to not skip a few
#Out featuremaps = 10,kernel (3,)
cnn1d = layers.Conv1D(10,3,padding='same')(X_2D)
print(X_2D.shape,'->',cnn1d.shape)
#(100,3) -> (100,10)
对于 3D CNN -
#Out featuremaps = 10,3)
cnn2d = layers.Conv2D(10,(3,3),padding='same')(X_3D)
print(X_3D.shape,cnn2d.shape)
#(100,10)
对于 100x100x30 的输入形状，您是说批量大小是 100？或者每个数据都是 100x100x30 的形状？在第二种情况下，您必须改用 Conv2D 层。每层的输入形状应该是：
Conv1D: (size1,channel_number),Conv2D: (size1,size2,Conv3D: (size1,size3,channel_number)
1DCNN、2DCNN、3DCNN表示卷积层的每个内核和通道的维度。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。