我正在按照这个 GitHub 仓库来实现简单的对象检测。在那个仓库中，没有使用卷积层，但我希望在Dense层之前添加两个卷积层。所以我修改了model的代码如下：

def baseline_model():    # create model    model = Sequential()    model.add(Conv2D(32, (2,2), input_shape=(1, 16, 16), activation='relu'))    model.add(MaxPooling2D(pool_size=(2,2)))    model.add(Conv2D(32, (2,2), activation='relu'))    model.add(MaxPooling2D(pool_size=(2,2)))    model.add(Dropout(0.2))    model.add(Flatten())    model.add(Dense(128, activation='relu'))    model.add(Dense(2, activation='softmax'))    # Compile model    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])    return model

此外，我还将图像的尺寸从8*8改成了16*16。

所以这里我的输入数据集的维度将是（40000 * 16 * 16），其中40000是图像的数量。

现在我无法决定是使用conv1D还是conv2D。我阅读了这个 Keras 官方文档，但对卷积层维度与输入数据形状之间的关系不太理解。

如果我使用上述模型配置，我会得到以下错误：

Error when checking input: expected conv2d_21_input to have 4 dimensions, but got array with shape (40000, 16, 16)

那么我在这里遗漏了什么？一般来说，如何决定使用conv1D还是conv2D？感谢您的帮助，我在这个领域完全是新手。

回答：

您必须正确地塑造您的图像。所有卷积层都期望有一个额外的channels维度。

RGB图像有3个通道。但如果您没有通道，实际上您有一个通道。您必须让这个在数据中显示出来才能工作：

#如果使用channels_last - Keras中的默认配置x_train = x_train.reshape(40000,16,16,1)#如果使用channels_firstx_train = x_train.reshape(40000,1, 16,16)

请注意，input_shape参数必须与数据的形状完全匹配，不包括批量大小（40000）。

详细信息

对于图像，您肯定会使用2D卷积（除非您有一些奇特的非标准想法）。1D卷积适用于序列。很简单：

• 1D卷积：时间序列、序列、音频信号等。数据只有“长度”。
• 2D适用于区域内的各种数据。图像是典型的案例。它们有高度和宽度。
• 3D适用于各种体数据。例如3D图像。高度、宽度和深度。

尽管如此，它们都会有channels，为输入增加了一个额外的维度。

2D卷积层期望两种可能性，具体取决于您的Keras配置：

• 通道最后（默认）：(BatchSize, pixelsX, pixelsY, channels)
• 通道首先：(BatchSize, channels, pixelsX, pixelsY)

您不需要将批量大小传递给input_shape，所以您可以使用以下之一：

#通道最后（如果您只有1个通道，但如果您有RGB，请使用3而不是1）   model.add(Conv2D(32, (2,2), input_shape=(16, 16, 1), activation='relu'))#通道首先（如果您只有1个通道，但如果您有RGB，请使用3而不是1）   model.add(Conv2D(32, (2,2), input_shape=(1,16, 16), activation='relu'))

您可以在<yourUserFolder>/.keras/keras.json文件中找到您的Keras默认配置。

如果需要，您还可以为每个卷积层传递一个单独的data_format参数。