请原谅我的无知，因为我刚开始接触这个领域。我正在尝试从我的神经网络中获得正确的输出形状，我的网络有3个Conv2D层然后是2个Dense层。我的输入形状是(140, 140, 4)，即4张灰度图像。当我输入一个输入时，我期望得到(1, 4)的输出，但在这里我得到的形状是(14, 14, 4)。我在这里做错了什么？非常感谢您的帮助！

meta_layers = [Conv2D, Conv2D, Conv2D, Dense, Dense]
meta_inits = ['lecun_uniform'] * 5
meta_nodes = [32, 64, 64, 512, 4]
meta_filter = [(8,8), (4,4), (3,3), None, None]
meta_strides = [(4,4), (2,2), (1,1), None, None]
meta_activations = ['relu'] * 5
meta_loss = "mean_squared_error"
meta_optimizer=RMSprop(lr=0.00025, rho=0.9, epsilon=1e-06)
meta_n_samples = 1000
meta_epsilon = 1.0;
meta = Sequential()
meta.add(self.meta_layers[0](self.meta_nodes[0], init=self.meta_inits[0], input_shape=(140, 140, 4), kernel_size=self.meta_filters[0], strides=self.meta_strides[0]))
meta.add(Activation(self.meta_activations[0]))
for layer, init, node, activation, kernel, stride in list(zip(self.meta_layers, self.meta_inits, self.meta_nodes, self.meta_activations, self.meta_filters, self.meta_strides))[1:]:
    if(layer == Conv2D):
        meta.add(layer(node, init = init, kernel_size = kernel, strides = stride))
        meta.add(Activation(activation))
    elif(layer == Dense):
        meta.add(layer(node, init=init))
        meta.add(Activation(activation))
    print("meta node: " + str(node))
meta.compile(loss=self.meta_loss, optimizer=self.meta_optimizer)

回答：

您的问题在于，在Keras版本>=2.0中，Dense层被应用于输入的最后一个通道（您可以在这里阅读相关信息这里）。所以如果您对形状为(14, 14, 64)的Conv2D层应用：

Dense(512)

您将得到形状为(14, 14, 512)的输出，然后对其应用Dense(4)将给您形状为(14, 14, 4)的输出。您可以调用model.summary()方法来确认我的话。

为了解决这个问题，您需要对最后一个卷积层的输出应用以下层之一：GlobalMaxPooling2D、GlobalAveragePooling2D或Flatten，以便将您的输出压缩为仅2维（形状为(batch_size, features)）。