适配输入形状(13,9,1)的胶囊网络参数调整请求及Conv2D维度报错解决

你遇到的这个ValueError问题很典型——原始MNIST的胶囊网络参数是专门针对28x28的输入设计的，直接套用到(13,9,1)的输入上，会因为卷积核尺寸、步长和特征图尺寸不匹配，导致卷积后出现负维度，触发报错。下面是针对你的输入尺寸量身定制的参数调整建议：

1. 先解决卷积层的核心矛盾 #

错误日志里提到的primary_caps/Conv2D节点，是因为前置卷积后得到的(5,11,256)特征图，用9x9的卷积核+步长2+VALID padding计算时，输出维度为负。所以第一步要调整前置卷积和Primary Caps层的卷积参数：

• 前置卷积层：把9x9的卷积核改成3x3或5x5，步长设为(1,1)，并使用SAME padding，这样能保证卷积后的特征图尺寸不会骤降（比如(13,9,1)经过3x3+SAME+步长1的卷积后，输出还是(13,9,256)）
• Primary Caps卷积层：同样用3x3的卷积核，步长设为(2,2)，用VALID padding，这样计算出来的特征图尺寸是(7,5, ...)，完全合法，不会出现负维度

2. 胶囊层参数适配 #

根据调整后的卷积层输出，胶囊层的参数可以这样设置：

• 主胶囊（Primary Caps）：数量可以保留64，或者降为32减少计算量；胶囊向量维度保留16即可，也可以根据需求降到8
• 次级胶囊（Secondary Caps）：数量要和你的任务类别匹配（比如分类任务是10类就设10）；向量维度可以保留16，比原始的32更轻量化，也足够捕捉特征
• 动态路由迭代次数r：保留3就好，这个参数和输入尺寸无关

3. 损失函数超参数无需改动 #

原始的损失函数超参数是和胶囊网络的损失计算逻辑绑定的，和输入尺寸没关系，直接保留就行：

• epsilon = 1e-7
• m_plus = 0.9
• m_minus = 0.1
• lambda_ = 0.5
• alpha = 0.0005

完整的适配参数示例 #

# 损失函数超参数（保持不变）
epsilon = 1e-7
m_plus = 0.9
m_minus = 0.1
lambda_ = 0.5
alpha = 0.0005
epochs = 10  # 建议比MNIST多训练几轮，输入尺寸小可能需要更多轮次收敛

# 网络结构参数（适配(13,9,1)输入）
params = {
    "no_of_conv_kernels": 256,  # 若计算资源紧张，可改为128
    "conv_kernel_size": 3,       # 替换原始9x9核，避免特征图骤缩
    "conv_strides": (1, 1),
    "conv_padding": "SAME",
    "no_of_primary_capsules": 64,
    "primary_capsule_vector": 16,
    "primary_conv_kernel_size": 3,
    "primary_conv_strides": (2, 2),
    "primary_conv_padding": "VALID",
    "no_of_secondary_capsules": 10,  # 替换为你的任务实际类别数
    "secondary_capsule_vector": 16,
    "r": 3,
}

额外小贴士 #

• 如果一定要用更大的卷积核（比如5x5），提前用公式计算输出尺寸：输出尺寸 = (输入尺寸 - 核尺寸)/步长 + 1（VALID padding场景），确保结果是正整数
• 训练时可以监控验证集的准确率，如果收敛慢，适当增加epochs或者调整学习率
• 若模型过大导致训练慢，可进一步减少卷积核数量、胶囊向量维度，平衡性能和速度

内容的提问来源于stack exchange，提问作者Sharukh Shaikh