在keras环境下将numpy数据形式转换为tensor

前期尝试

因为刚刚开始学习，想要记录一下自己学习的全过程，所以想知道具体方法的可以直接在目录跳到最后：最终的解决方法。

最近开始接触神经网络的学习，在看过一个比较复杂的代码之后，了解了一些最基本的写法，打算自己搭建一个简单的神经网络。

因为学习参考的代码中使用的是卷积层，所以也我这里也搭建了一个卷积网络，代码在下面。

前期的各种准备工作就不赘述，总而言之最后弄出了一个神经网络的雏形。

from keras.models import Sequential

from keras.layers import Conv2D

import numpy as np

import tensorflow as tf


model = Sequential()

model.add(Conv2D(filters=1, kernel_size=[2,2], padding='same', strides=[1,1], input_shape=(10, 10, 1)))

input_data = np.random.rand(10,10)

output_data=model(input_data)

在这里，我是想让numpy生成一个10*10的数据集，然后通过这个神经网络，得到一个输出。

本身这个神经网络是没有什么意义的，没有目的，只是单纯的尝试。

试错

然而，在一开始，就遇到了大麻烦，直接卡住：

ValueError:All inputs to the layer should be tensors.

那么就是说，我们使用numpy生成的数据集，数据形式并不是神经网络需要的形式，还需要转换成tensor形式。

这个问题是最大的问题，后面基本上一直都是围绕这个转换而进行的各种尝试，在解决了这个问题之后其他的问题都可以说是小菜一碟了。

首先，我找了几篇文章，进行了一些尝试，但是都出现了错误：

keras numpy数组转成keras的tensor
https://blog.youkuaiyun.com/u013249853/article/details/89958827

这里提供的方法是K.cast_to_floatx( )，尝试之后发现还是有问题，没转换过来。

然后在一个群里，有人提供了开启eager模式的方法，这样就可以不用转换数据形式了，于是我又搜了一下：

TensorFlow Eager模式
https://blog.youkuaiyun.com/u010472607/article/details/81945354

但是现在又出现了问题

随后我又查了一下tf.placeholder()相关的文章，尝试解决和eager execution不兼容的问题，但是最后没有成功，就不写了。

之后，我又查到一篇文章，提供了一个新的解决方法：

tensorflow中tensor与数组之间的转换
https://www.cnblogs.com/mituzhifan-/p/9205712.html

这里给出的方法是使用tf.convert_to_tensor()，这个函数的参数是numpy，函数的返回值是tensor类型，不会改变原有的类型，可以说应该是满足了我们的要求

进行尝试之后，将

output_data=model(input_data)

改成了

output_data=model(tf.convert_to_tensor(input_data))

终于！
虽然还是没有成功，但是总算是看到了不一样的错误提示：

ValueError: input tensor must have rank 4

这个时候其实我还是没怎么看懂到底错误是什么，但是在看了上面的几条具体的错误提示之后：

ValueError: Shapes (10, 10) and (?, ?, ?, ?) must have the same rank
ValueError: Shapes (10, 10) and (?, ?, ?, ?) are not compatible
ValueError: Shape (10, 10) must have rank 4

通过这几条，大概可以猜测出：numpy生成的10*10的数据集或许不满足神经网络的输入

接下来我进行了这样的改动：

output_data=model(1，tf.convert_to_tensor(input_data)，1)

不过还是失败了：

TypeError: call() takes 2 positional arguments but 4 were given

从错误中可以看出来，刚才进行的改动是多此一举的

那么改动的方向就应该瞄准numpy生成的数据级，改动由 numpy 生成的张量

input_data = np.random.rand(10,10)

input_data = np.random.rand(1,10,10,1)

添加了batch和channel两个参数之后
，可以运行了吗？

答案还是不可以。。。

TypeError: Input ‘filter’ of ‘Conv2D’ Op has type float32 that does not match type float64 of argument ‘input’.

不过这个时候离最终解决已经很接近了，错误提示告知： Keras 后端默认是 float32，而 numpy 生成的张量是 float64 的，所以需要先设置 Keras 的浮点类型

所以我们在代码中添加这些：

from keras import backend as K

K.set_floatx('float64')

Ohhhhhhhhhhhhhhhh终于解决了

最终的解决方法

经过大量的试错，一个0基础的小白终于成功解决了一个微不足道的小问题。

把这个写下来主要也是为了记录一下这个过程，当然如果有和我遇到一样问题的人，也可以有一个参考

最后的代码如下

from keras.models import Sequential
from keras.layers import Conv2D
import numpy as np
import tensorflow as tf
from keras import backend as K

K.set_floatx('float64')

model = Sequential()
model.add(Conv2D(filters=1, kernel_size=[2,2], padding='same', strides=[1,1], input_shape=(10, 10, 1)))

input_data = np.random.rand(1,10,10,1)

output_data=model(tf.convert_to_tensor(input_data))

总而言之，一是使用了tf.convert_to_tensor()函数，二是设置 Keras 的浮点类型，三是改动由 numpy 生成的张量。