Ich verwende Keras Bibliothek, um dieses Deep Learning Modell zu bauen: INPUT (Tiefe = 1, Höhe = 15, Breite = 27) -> CONV [Tiefe = 8] (Höhe = 4, Breite = 27) -> POOL (Höhe = 2, Breite = 1) -> (Regression) Ausgabe.Keras - CNN Modell Zusammenfassung Diemension Interpretation
Ich erwarte, dass die Ausgangsform von convolution2d_1 (None, 8, 12, 1) ist und daher die Ausgangsform von pooling2d_1 (None, 8, 6, 1) ist; während ich (None, 8, 15, 27) bzw. (None, 8, 7, 27) bekomme.
Was mache ich hier oder interpretiere ich falsch?
S.S .: Auch diese Einstellung gibt einen Grundlinienfehler: 99,23%!
print "SHAPE OF INPUT IS:", num_train_3D, depth, height, width
inp = Input(shape=(depth, height, width))
conv_1 = Convolution2D(8, 4, 27, border_mode='same', activation='relu')(inp)
pool_1 = MaxPooling2D(pool_size=(2, 1))(conv_1)
''' Now flatten to 1D, apply FC -> ReLU (with dropout) -> softmax '''
flat = Flatten()(pool_1)
out = Dense(1)(flat) #regression
model = Model(input=inp, output=out) # To define a model, just specify its input and output layers
print "Model Summary:"
print model.summary()
=====================================
SHAPE OF INPUT IS: 53745 1 15 27
Model Summary:
____________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
====================================================================================================
input_1 (InputLayer) (None, 1, 15, 27) 0
____________________________________________________________________________________________________
convolution2d_1 (Convolution2D) (None, 8, 15, 27) 872 input_1[0][0]
____________________________________________________________________________________________________
maxpooling2d_1 (MaxPooling2D) (None, 8, 7, 27) 0 convolution2d_1[0][0]
____________________________________________________________________________________________________
flatten_1 (Flatten) (None, 1512) 0 maxpooling2d_1[0][0]
____________________________________________________________________________________________________
dense_1 (Dense) (None, 1) 1513 flatten_1[0][0]
====================================================================================================
Total params: 2,385
Trainable params: 2,385
Non-trainable params: 0
Danke, es löst die Dimensionsabweichung; Aber kannst du den Grundlinienfehler von 99,23% kommentieren, ich bekomme immer noch genau dasselbe! – devautor
Es ist schwierig, ohne Details etwas über den Fehler zu sagen. Sprechen Sie über den Trainingsfehler oder den Test? Was ist mit Ihrem Datensatz? Geben Sie ein minimal reproduzierbares Beispiel und alle notwendigen Details an, um ein konstruktives Feedback zum Fehler zu erhalten. Ich würde vorschlagen, dies in einer neuen Frage zu tun, hier geht es um Dimensionen. –
Sicher, ich würde es für einige Zeit selbst ausprobieren und würde es dann tun, wenn nötig :) – devautor