Tensorflow conv2d: глубина ввода должна быть без остатка кратна глубине фильтра: 1 против 256

Другие подобные вопросы не работают для меня. Моя настройка намного проще, но я все еще получаю эту ошибку при использовании tensorflow. Я сворачиваю двумерный массив, представляющий точечный источник: массив 512 x 512 со средней точкой, установленной на 1, с массивом 256 x 256, представляющим систему обработки изображений. Свертка должна быть функцией разброса точек системы. При выполнении tf.conv2d я продолжаю получать сообщение об ошибке в заголовке. Я слежу за тем, чтобы размеры массивов соответствовали тензорному потоку. т.е. [1 512 512 1] для изображения и [1 256 256 1] для ядра

def convolve(arr, kernel):
    #arr: 512 x 512 2d array
    #kernel: 256 x 256 2d array

    #  make arr 4d
    f = tf.cast(tf.reshape(arr, [1, arr.shape[0], arr.shape[1], 1]), tf.float32)
        
    # make kernel 4d
    h = tf.cast(tf.reshape(kernel, [1, kernel.shape[0], kernel.shape[1], 1]), tf.float32)
        
    return tf.nn.conv2d(f, h, strides=[1, 1, 1, 1], padding = "VALID")

point_source = np.zeros((512,512))
point_source[int(512/2):int(512/2)] = 1

plt.imshow(convolve(point_source, mask_array))
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
0
28
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Почти готово. Обратите внимание на состояние документы относительно filters:

A Tensor. Must have the same type as input. A 4-D tensor of shape [filter_height, filter_width, in_channels, out_channels]

Вот рабочий пример:

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

def convolve(arr, kernel):
    #arr: 512 x 512 2d array
    #kernel: 256 x 256 2d array

    #  make arr 4d
    f = tf.cast(tf.reshape(arr, [1, arr.shape[0], arr.shape[1], 1]), tf.float32)
        
    # make kernel 4d
    h = tf.cast(tf.reshape(kernel, [kernel.shape[0], kernel.shape[1], 1, 1]), tf.float32)
        
    return tf.nn.conv2d(f, h, strides=[1, 1, 1, 1], padding = "VALID")

point_source = np.zeros((512,512))
point_source[int(512/2):int(512/2)] = 1
mask_array = np.ones((256, 256))
plt.imshow(convolve(point_source, mask_array)[0, :, :, 0],cmap='gray')

Другие вопросы по теме