如何解决ValueError:conv3d_8层的输入0与该层不兼容::预期的min_ndim = 5,找到的ndim = 4收到完整的图形:[无,4、150、150]
我正在尝试在Keras中训练3D CNN模型,但是在执行单元格时出现此错误:
ValueError: Input 0 of layer conv3d_8 is incompatible with the layer: : expected min_ndim=5,found ndim=4. Full shape received: [None,4,150,150]
我的输入数据是一个包含图像数据的numpy数组。以下是形状(我知道53太少了,但是仅用于研究目的):
Training data shape: (53,150)
Training labels shape: (53,1)
Validation data shape: (14,150)
Validation labels shape: (14,1)
我要使用的模型是:
# Create the model
model = Sequential()
model.add(Conv3D(32,kernel_size=(3,3,3),activation='relu',kernel_initializer='he_uniform',input_shape=(4,150)))
model.add(MaxPooling3D(pool_size=(2,2,2)))
model.add(BatchNormalization(center=True,scale=True))
model.add(Dropout(0.5))
model.add(Conv3D(64,kernel_initializer='he_uniform'))
model.add(MaxPooling3D(pool_size=(2,scale=True))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(4,activation='softmax'))
# Compile the model
model.compile(loss='categorical_crossentropy',optimizer=keras.optimizers.Adam(lr=0.001),metrics=['accuracy'])
model.summary()
# Fit data to model
history = model.fit(treino3d,treino3d_labels,epochs=40)
有人可以帮忙吗?
非常感谢!
解决方法
看来您不需要Conv3D
层来完成此任务。改为使用Conv2D
,并且在kernel_size
和pool_size
中仅使用1或2个值。
model = Sequential()
model.add(Conv2D(32,kernel_size=(3,3),activation='relu',kernel_initializer='he_uniform',input_shape=(4,150,150)))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(BatchNormalization(center=True,scale=True))
model.add(Dropout(0.5))
model.add(Conv2D(64,kernel_initializer='he_uniform'))
model.add(MaxPooling2D(pool_size=(2,scale=True))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(4,activation='softmax'))
您的渠道维度排在第一位,因此您需要告诉Keras。使用此行:
tf.keras.backend.set_image_data_format('channels_first')
或在每个Conv2D
或MaxPooling2D
层中设置此参数:
data_format='channels_first'
或将输入张量的尺寸置换为形状(54,4)
:
np.transpose(x,(0,2,3,1))
功能齐全,已更正的示例:
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
from tensorflow.keras.layers import *
import numpy as np
from tensorflow.keras.models import Sequential
xtrain = np.random.rand(53,4,150)
ytrain = np.random.randint(0,(53,1))
xtrain = np.transpose(xtrain,1))
model = Sequential()
model.add(Conv2D(8,input_shape=xtrain.shape[1:]))
model.add(MaxPooling2D(pool_size=(2,scale=True))
model.add(Dropout(0.5))
model.add(Conv2D(8,scale=True))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(32,kernel_initializer='he_uniform'))
model.add(Dense(32,activation='softmax'))
model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
model.summary()
history = model.fit(xtrain,ytrain,epochs=1)
32/53 [=================>............] - ETA: 2s - loss: 1.8215 - acc: 0.2812
53/53 [==============================] - 5s 91ms/sample - loss: 1.9651 - acc: 0.2264
,
- 第一个答案是正确的。我记得(我几年没有使用MRI),每个切片由4个通道表示,通道中的每个体素都包含有关相同身体位置的信息。因此,对4个通道的图像应用2D卷积是正确的方法。
- 对于2D卷积,我建议使用input_shape = (150,4)定义输入,甚至将其定义为input_shape =(None,None,4)-这是更通用的。因此,您无需使用 channel_first 或 channel_last 配置。我记得 channel_last 是默认格式
- 如果您坚持使用Conv3d,则输入形状应为:input_shape = (150,1)或(无,无,无,1) 火车组应遵循以下形状: np.random.rand(53,150,150,4,1)
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。