卷积神经网络（CNN）输入形状

Question

我对CNN比较陌生，有一个关于CNN的问题不太清楚，特别是在使用Keras时。我的数据是2D数据（比如说10X10），但是不同时刻下有多个这样的数据，因此我有3D数据。我想用这些数据来预测未来的时间点。所以我会有一定数量的时间点作为预测结果（比如说10个时间点，这样我就会有一个10X10X10的数据）。我的问题是：我应该把这个数据看作一个有10个通道的2D图像（像CNN中普通的RGB图像那样）还是3D数据（在Keras中应该是conv2D或conv3D）？

非常感谢您提前的帮助。

- Hamed

---

你最好尝试使用seq2seq或rnn网络，而不是简单的cnn。 - Mehraban

我认为seq2seq或RNN在我的情况下不起作用。我更喜欢坚持使用CNN或CNN-LSTM。谢谢你的建议。 - Hamed

因为您的数据似乎只有一个颜色通道（不是RGB，而只是10x10像素），所以我认为Conv2D足够了。如果您将颜色通道的数量设置为1，则我认为Conv2D操作实际上可能与Conv3D层执行的操作相同。 - Jake Tae

Answer 1

对于您的情况，Conv2D将非常有用。请参考下面的描述，了解使用Conv2D的卷积神经网络（CNN）的输入形状。

让我们看看输入形状是什么样子的。CNN的输入数据将看起来像以下图片。我们假设我们的数据是图像集合。

输入形状为 (批量大小, 高度, 宽度, 通道数)。对于RGB图像，通道数为3，对于灰度图像，通道数为1。

让我们看一下下面的代码

import tensorflow as tf
from tensorflow.keras.layers import Conv2D

model=tf.keras.models.Sequential()
model.add(Conv2D(filters=64, kernel_size=1, input_shape=(10,10,3)))
model.summary()

输出：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 10, 10, 64)        256       
=================================================================

虽然输入形状看起来像是3D，但在拟合数据时，您需要传递一个尺寸为(batch_size, 10, 10, 3)的4D数组。由于输入形状参数中没有批量大小值，因此我们可以在拟合数据时选用任何批次大小。

输出形状为(None, 10, 10, 64)。第一个维度表示批量大小，当前为None，因为网络无法提前知道批量大小。

注意：一旦您拟合数据，None将被您提供的批量大小所替代。

让我们看另一个带有批处理大小的代码示例。

    import tensorflow as tf
    from tensorflow.keras.layers import Conv2D

    model=tf.keras.models.Sequential()
    model.add(Conv2D(filters=64, kernel_size=1, batch_input_shape=(16,10,10,3)))
    model.summary()

输出：

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (16, 10, 10, 64)          256       
=================================================================

在这里，我已经用batch_input_shape替换了input_shape参数。正如名称所示，这个参数会事先询问你批大小，并且在拟合数据时不能提供其他批大小。

- bsquare

---

非常感谢！它帮了我很多。 - Hamed

@Hamed，如果我回答了你的问题，你能否接受答案并点赞答案。谢谢。 - bsquare