按照惯例,图像张量总是三维的:一个维度用于它的height
,一个维度用于它的{(height, width, color)
。在
例如,一批大小为256x256的128幅彩色图像可以存储在形状为(128, 256, 256, 3)
的4D张量中。颜色通道表示RGB颜色。另一个例子是128幅灰度图像,存储在形状(128, 256, 256, 1)
的4D张量中。颜色可以编码为8位整数。在
对于第二个例子,最后一个维度是只包含一个元素的向量。然后就可以使用形状(128, 256, 256,)
的3D张量。在
我的问题来了:我想知道使用3D张量而不是4D张量作为使用keras的深度学习框架的训练输入是否有区别。在
编辑:我的输入层是一个conv2D
我看一下
conv2D
层here的Keras文档,你会发现输入张量的形状必须是4D因此,形状的第四个维度是必需的,即使对于灰度图像来说它只有“1”。
因此,实际上,这不是性能提高或缺乏简单性的问题,而是强制输入参数的形状。
希望它能回答你的问题。在
相关问题 更多 >
编程相关推荐