Question

在将使用Keras + Tensorflow后端完成的图像分段代码迁移到Keras + CNTK后端时，我遇到了一些问题。代码与TF后端完美匹配，但与CNTK崩溃。

该模型的灵感来自https://github.com/jocicmarko/ultrasound-nerve-segmentation/blob/master/train.py

模型输入定义为inputs = Input((img_width, img_height, num_channels))，其中num_channels = 1。

错误来自试图适合模型的线： model.fit(X_train, Y_train, epochs=trainingEpochs, verbose=2, shuffle=True, validation_data=(X_val, Y_val), callbacks=cb_list)

X_train，Y_train，X_val，Y_val的形状(num_slices, img_width, img_height, num_channels)

我不断得到的错误如下：

追踪（最近的呼叫最后）：
   文件＆＃34; TrainNetwork_CNTK.py＆＃34;，第188行，在       history = model.fit（X_train，Y_train，epochs = trainingEpochs，verbose = 2，shuffle = True，validation_data =（X_val，Y_val），callbacks = cb_list）
    文件＆＃34; C：\ Users ... \ site-packages \ keras \ engine \ training.py＆＃34;，第1430行，in fit
      initial_epoch = initial_epoch）
    文件＆＃34; C：\ Users ... \ site-packages \ keras \ engine \ training.py＆＃34;，第1079行，在_fit_loop中       outs = f（ins_batch）
    文件＆＃34; C：\ Users ... \ site-packages \ keras \ backend \ cntk_backend.py＆＃34;，第1664行，致电
      input_dict，self.trainer_output）
    文件＆＃34; C：\ Users ... \ site-packages \ cntk \ train \ trainer.py＆＃34;，第160行，在train_minibatch中       output_map，device）
    文件＆＃34; C：\ Users ... \ site-packages \ cntk \ cntk_py.py＆＃34;，第2769行，在train_minibatch中       return _cntk_py.Trainer_train_minibatch（self，* args）
  RuntimeError：Node＆＃39; UserDefinedFunction2738＆＃39; （UserDefinedV2Function操作）：TensorSliceWithMBLayoutFor：FrameRange的动态轴与数据不一致：

在这里，CNTK问题的活动似乎很少，所以任何尝试为这个问题发光的事情都会非常有用！

Answer 1

原因是损失函数：

def dice_coef(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)

cntk_keras的展平实现存在一个已知问题，导致批量轴形状与此情况不匹配。不幸的是，我没有机会解决它:(

但是对于你的情况，我认为我们不需要在这里展平，对吗？当您使用K.sum（x）和默认轴选项时，它会将减少总和应用于所有轴以获得比例，我们应该得到相同的结果而不展平它。我尝试了下面的损失功能，似乎有效：

def dice_coef(y_true, y_pred):
    intersection = K.sum(y_true * y_pred)
    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)

Keras + CNTK：TensorSliceWithMBLayoutFor

1 个答案: