Question

我的意思是，如果在n模型中输入一个convnet模型，它会给出n个输出吗？然而，当我尝试使用瓶颈模型（使用VGG16 convnet构建在其上）时，VGG16 convnet返回的输出少于输入数量的16个。

这是控制台输出：

import numpy as np

train_data = np.load(open('bottleneck_features_train.npy'))
  train_data.shape
  （8384,7,7,512）

validation_data = np.load(open('bottleneck_features_validation.npy'))   validation_data.shape
  （3584,7,7,512）

可以找到生成此输出的脚本here。

上述脚本的堆栈跟踪。

使用Theano后端。
  从https://github.com/fchollet/deep-learning-models/releases/download/v0.1/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5下载数据   找到属于120个类别的8400张图片。节省火车功能......
  发现属于120个类别的3600张图片。保存测试功能...
  培训顶层...
  编制瓶颈模型...
  培训瓶颈模型......
  回溯（最近一次调用最后一次）：


文件“pretrained_network.py”，第87行，中     train_top_model（）

文件“pretrained_network.py”，第82行，在train_top_model中     validation_data =（validation_data，validation_labels））

文件“/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/models.py",line 845，in fit initial_epoch = initial_epoch）

文件“/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/engine/training.py”，     第1405行，合适     batch_size = batch_size）

文件“/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/engine/training.py”，     第_ 1307行，_standardize_user_data         _check_array_lengths（x，y，sample_weights）

文件“/home/ashish/ml-projects/venv/local/lib/python2.7/site-packages/keras/engine/training.py”，     第229行，在_check_array_lengths中         '和'+ str（list（set_y）[0]）+'目标样本。'）

ValueError：输入数组应与目标数组具有相同数量的样本     找到8384个输入样本和8400个目标样本。

Answer 1

问题在于，例如在你的脚本中：

bottleneck_features_train = model.predict_generator(
        generator, nb_train_samples // batch_size)

应该改为：

bottleneck_features_train = model.predict_generator(
        generator, (nb_train_samples // batch_size) + 1)

如果没有这个，generator的调用次数就不够了。

keras模型是否会影响输入数据的大小？

1 个答案: