使用Keras Sequential实现AlexNet时出现维度异常ValueError求助

问题根源 #

你遇到的ValueError是因为网络中对应conv2d_40的卷积或池化操作后，特征图尺寸被压缩至0或负数。本质是AlexNet原始层参数针对227x227输入设计，直接套用到resize后的CIFAR-10数据时，部分层的步长、padding设置与输入尺寸不匹配。

具体修复方案 #

1. 调整卷积层的padding参数 #

原始AlexNet部分层使用valid padding（无填充），但小尺寸特征图用该设置易导致尺寸骤降。将conv2d_40对应卷积层的padding改为same，保证输出尺寸与输入一致：

# 修复前（可能触发错误）
model.add(Conv2D(filters=256, kernel_size=(5,5), strides=(1,1), padding='valid', activation='relu'))
# 修复后
model.add(Conv2D(filters=256, kernel_size=(5,5), strides=(1,1), padding='same', activation='relu'))

2. 修改池化层参数 #

若错误出现在池化操作后，检查池化层的步长和窗口大小。原始AlexNet的MaxPool2D(pool_size=(3,3), strides=(2,2))适合大尺寸输入，针对小特征图可调整为：

# 缩小池化窗口或步长，避免尺寸归零
model.add(MaxPool2D(pool_size=(2,2), strides=(1,1), padding='same'))

3. 手动验证各层输出尺寸 #

用公式output_size = ((input_size - kernel_size + 2*padding) // stride) + 1计算每一层输出尺寸，确保所有步骤结果为正。比如输入尺寸为4x4时，用kernel=5, padding=0会得到0，必须调整参数避免这种情况。

4. 适配CIFAR-10的轻量化调整 #

CIFAR-10是小尺寸图像，完全照搬AlexNet的大卷积核和大步长不合理，可做以下简化：

• 把初始卷积核从11x11改为5x5
• 减少部分卷积层的滤波器数量
• 全局增加same padding的使用

验证修复 #

修改参数后，先执行model.summary()打印网络结构，确认所有层的输出形状均为正数，再启动训练。

内容的提问来源于stack exchange，提问作者aditya srinevas