我在尝试为 MNIST 手写数据集创建一个卷积神经网络时，遇到了代码问题：

initWeight = initializers.RandomNormal(stddev = 0.0025)initBias = initializers.Constant(0.1)model = models.Sequential()model.add(layers.Conv2D(25, (12,12), activation='relu', strides = 2,                        padding = "valid", input_shape=(28, 28, 1),                        kernel_initializer= initWeight,                        bias_initializer=initBias))model.add(layers.Conv3D(64, (5,5,25), activation='relu',                        padding = "same",                        kernel_initializer= initWeight,                        bias_initializer=initBias))model.summary()

我得到了以下错误：

ValueError: Input 0 of layer conv3d is incompatible with the layer: : expected min_ndim=5, found ndim=4. Full shape received: [None, 9, 9, 25]

但我不完全确定问题出在哪里，我希望在二维层之后创建一个层，使用5x5x25的核大小创建64个滤波器。

回答：

我想我明白了你的意图。假设张量是channel last格式。对于Conv2D层，接受的输入是四维的，即(batch_size, width, height, number_of_channels)。因此，对于Conv3D层，它将接受一个五维张量。

从第一个Conv2D层，你得到的输出形状是(batch_size, 9, 9, 25)。batch_size显示为None，因为它在我们提供数据之前并不知道批次大小。换句话说，它可以接受任何批次大小。

但无论如何，重点是，虽然Conv2D返回的输出有25个通道，你不需要在下一层中显式地提到每个滤波器的通道数（可能是你误用3D卷积的原因）。实际上，框架已经设计好可以为每个滤波器（在下一层）自动采用确切的通道数（25），以便它们与其输入（第一个Conv2D的输出）的通道数匹配。

因此，将Conv3D替换为以下Conv2D：

model.add(layers.Conv2D(64, (5,5), activation='relu',                        padding = "same",                        kernel_initializer= initWeight,                        bias_initializer=initBias))

这实际上会采用64个滤波器，每个滤波器的形状为(5, 5, 25)。虽然我们没有提到25，但它会自动这样做，以匹配其输入的通道数。