'Conv2D' 从 1 中减去 3 导致的负尺寸大小

您的问题来自 keras.json 中的 image_ordering_dim。

从 Keras Image Processing doc：

dim_ordering: {"th", "tf"} 之一。 “tf”模式意味着图像应该具有形状（样本、高度、宽度、通道），“th”模式意味着图像应该具有形状（样本、通道、高度、宽度）。它默认为在 ~/.keras/keras.json 的 Keras 配置文件中找到的 image_dim_ordering 值。如果您从未设置它，那么它将是“tf”。

Keras 将卷积操作映射到选择的后端（theano 或 tensorflow）。但是，两个后端对维度的排序做出了不同的选择。如果您的图像批次是 N 个具有 C 通道的 HxW 大小的图像，则 theano 使用 NCHW 排序，而 tensorflow 使用 NHWC 排序。

Keras 允许您选择您喜欢的排序，并将进行转换以映射到后面的后端。但是，如果您选择 image_ordering_dim="th"，它需要 Theano 样式的排序（NCHW，您的代码中的那个），如果选择 image_ordering_dim="tf"，它需要 tensorflow 样式的排序 (NHWC)。

由于您的 image_ordering_dim 设置为 "tf"，如果您将数据重塑为 tensorflow 样式，它应该可以工作：

X_train = X_train.reshape(X_train.shape[0], img_cols, img_rows, 1)
X_test = X_test.reshape(X_test.shape[0], img_cols, img_rows, 1)

和

input_shape=(img_cols, img_rows, 1)

---

FWIW，我反复收到此错误，其中一些值为 strides 或 kernel_size 但不是全部，后端和 image_ordering 已设置为 tensorflow，当我添加 padding="same" 时它们都消失了

---

只需添加以下内容：

from keras import backend as K
K.set_image_dim_ordering('th')

---

我也有同样的问题。但是，我正在使用的每个 Conv3D 层都在减小输入的大小。因此，在声明 Conv2D/3D 层期间包含一个参数 padding='same' 解决了该问题。这是演示代码

model.add(Conv3D(32,kernel_size=(3,3,3),activation='relu',padding='same'))

减小过滤器的尺寸也可以解决问题。

实际上，Conv3D 或 Conv2D 层减少了输入数据。但是，当您的下一层没有收到任何不适合该层的输入或大小的输入时，就会发生此错误。通过填充，我们使 Conv3Dor2D 的输出保持与输入相同的大小，以便下一层将获得所需的输入

---

我遇到了同样的问题，但通过更改 conv2d 函数解决了：

if K.image_data_format=='channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1,img_cols,img_rows)
    x_test = x_test.reshape(x_test.shape[0], 1,img_cols,img_rows)
    input_shape = (1,img_cols,img_rows)
else:
    x_train = x_train.reshape(x_train.shape[0],img_cols,img_rows,1)
    x_test = x_test.reshape(x_test.shape[0],img_cols,img_rows,1)
    input_shape = (img_cols,img_rows,1)
model.add(Convolution2D(32,(3, 3), input_shape = input_shape, activation="relu"))

---

使用括号提供过滤器的大小，例如：

model.add(Convolution2D(nb_filters,( nb_conv, nb_conv) ,border_mode='valid',
input_shape=(1, img_rows, img_cols)))

它将在我的情况下工作，并且还将 X_train ， X_test 更改为：

X_train = X_train.reshape(X_train.shape[0], img_cols, img_rows, 1)
X_test = X_test.reshape(X_test.shape[0], img_cols, img_rows, 1)

---

另一个可以提供帮助的解决方案是改变：

from keras.layers import Convolution2D, MaxPooling2D

至

from keras.layers import Conv2D, MaxPooling2D

之后，为了运行预处理输入数据，我改变了：

X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)

至

X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
X_test.reshape(X_test.shape[0], 28, 28, 1)

最后，我改变：

model.add(Convolution2D(32, 3, 3, activation='relu',input_shape=(1,28,28))) 
model.add(Convolution2D(32, 3, 3,activation='relu'))

至

model.add(Conv2D(32, (3, 3), activation='relu',input_shape=(28,28,1)))
model.add(Conv2D(32, (3, 3), activation='relu'))

---

刚遇到这个问题。下面是使用新 API 的解决方案。

K.set_image_dim_ordering('tf') --> K.set_image_data_format('channels_last')
K.set_image_dim_ordering('th') --> K.set_image_data_format('channels_first')
K.image_dim_ordering() == 'tf' --> K.image_data_format() == 'channels_last'
K.image_dim_ordering() == 'th' --> K.image_data_format() == 'channels_first'

查看更多here

---

   %store -r le
   %store -r x_train 
   %store -r x_test 
   %store -r y_train 
   %store -r y_test 
   %store -r yy 
    import numpy as np
    import keras
    from keras.models import Sequential
    from keras.layers import Dense, Dropout, Activation, Flatten
    from keras.layers import Conv2D, MaxPooling2D, GlobalAveragePooling2D
    from keras.optimizers import Adam
    from keras.utils import np_utils
    from sklearn import metrics
    num_rows = 40
    num_columns = 174
    num_channels = 1
    x_train = x_train.reshape(x_train.shape[0],num_rows , num_columns, num_channels)
    x_test = x_test.reshape(x_test.shape[0], num_rows, num_columns,num_channels )
num_labels = yy.shape[1]
filter_size = 2
# Construct model 
model = Sequential()

model.add(Conv2D(filters=16, kernel_size=2, activation='relu',input_shape=( 
40,174,1)))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))

model.add(Conv2D(filters=32, kernel_size=2, activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))

model.add(Conv2D(filters=64, kernel_size=2, activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))

model.add(Conv2D(filters=128, kernel_size=2, activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))
model.add(GlobalAveragePooling2D())

model.add(Dense(num_labels, activation='softmax')) 

---