Keras降噪自编码器层形状不匹配问题求助

输入图像形状为(129, 87, 1)，构建的自编码器输出形状却变成了(132, 88, 1)，以下是问题分析与解决方法：

原模型代码 #

inputs = layers.Input(shape=(129, 87, 1))

# Encoder
x = layers.Conv2D(32, (3, 3), activation="relu", padding="same")(inputs)
x = layers.MaxPooling2D((2, 2), padding="same")(x)
x = layers.Conv2D(32, (3, 3), activation="relu", padding="same")(x)
x = layers.MaxPooling2D((2, 2), padding="same")(x)

# Decoder
x = layers.Conv2DTranspose(32, (3, 3), strides=2, activation="relu", padding="same")(x)
x = layers.Conv2DTranspose(32, (3, 3), strides=2, activation="relu", padding="same")(x)
x = layers.Conv2D(1, (3, 3), activation="sigmoid", padding="same")(x)

# Autoencoder
autoencoder = Model(inputs, x)
autoencoder.compile(optimizer="adam", loss="binary_crossentropy")
autoencoder.summary()

问题原因 #

核心是奇数尺寸输入在池化与转置卷积时的尺寸计算逻辑：

• 使用MaxPooling2D(strides=2, padding="same")处理奇数尺寸时，输出尺寸会向上取整：
  • 129 → 65（129/2=64.5，向上取整），87 → 44（87/2=43.5，向上取整）
  • 第二次池化后，65 → 33，44 → 22
• 而Conv2DTranspose(strides=2, padding="same")会直接将输入尺寸乘以2：
  • 33 → 66，22 → 44；再次转置后66→132，44→88，最终输出尺寸与原输入的奇数尺寸不匹配。

解决方案 #

方案1：调整输入尺寸为偶数 #

将输入图像裁剪或填充为偶数尺寸（比如(128, 88, 1)），这样池化和转置卷积的尺寸会完全对应，无需额外修改模型。

方案2：添加裁剪层修正输出尺寸 #

在Decoder的最后一层卷积前，添加Cropping2D层，将多余的像素裁剪掉，匹配原输入尺寸：

inputs = layers.Input(shape=(129, 87, 1))

# Encoder
x = layers.Conv2D(32, (3, 3), activation="relu", padding="same")(inputs)
x = layers.MaxPooling2D((2, 2), padding="same")(x)
x = layers.Conv2D(32, (3, 3), activation="relu", padding="same")(x)
x = layers.MaxPooling2D((2, 2), padding="same")(x)

# Decoder
x = layers.Conv2DTranspose(32, (3, 3), strides=2, activation="relu", padding="same")(x)
x = layers.Conv2DTranspose(32, (3, 3), strides=2, activation="relu", padding="same")(x)
# 裁剪多余像素：132-129=3，上下分别裁剪2和1；88-87=1，右侧裁剪1
x = layers.Cropping2D(cropping=((2, 1), (0, 1)))(x)
x = layers.Conv2D(1, (3, 3), activation="sigmoid", padding="same")(x)

autoencoder = Model(inputs, x)
autoencoder.compile(optimizer="adam", loss="binary_crossentropy")
autoencoder.summary()

此时输出尺寸会修正为(129, 87, 1)。

方案3：改用Valid padding（不推荐） #

将池化和转置卷积的padding改为"valid"，但这样会在池化过程中丢失边缘信息，导致特征损失，仅适用于对边缘信息不敏感的场景。

内容的提问来源于stack exchange，提问作者Thomas2196