Question

嗨，我是Keras的新手，有后端张量流。我已经构建了两个可能类的图像的训练和验证集;我的网络必须以两个类是或否结束。我使用ImageDatagenerator从文件夹中读取图像并准备培训和验证集。最后，我得到了标题中描述的问题。我的猜测是ImageDatagenerator没有像我想的那样准备数据;任何机构都可以向我解释如何解决它，这里是代码（谢谢）：

# Data Preparation
# dimensions of our images.
img_width, img_height = 256, 256

#top_model_weights_path = 'bottleneck_fc_model.h5'
train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
nb_train_samples = 2
nb_validation_samples = 2
epochs = 50
batch_size = 1
num_classes = 2

# prepare data augmentation configuration
train_datagen = ImageDataGenerator(
                                   rescale=1. / 255,
                                   shear_range=0.2,
                                   zoom_range=0.2,
                                   data_format=K.image_data_format(),
                                   horizontal_flip=True)

test_datagen = ImageDataGenerator(
                                  rescale=1. / 255,
                                  data_format=K.image_data_format())

train_generator = train_datagen.flow_from_directory(
                                                    train_data_dir,
                                                    target_size=(img_height, img_width),
                                                    batch_size=batch_size,
                                                    class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
                                                        validation_data_dir,
                                                        target_size=(img_height, img_width),
                                                        batch_size=batch_size,
                                                        class_mode='binary')

# create the CNN model
model = Sequential()
model.add(Conv2D(24, kernel_size=(20, 20), strides=(2,2), padding='valid', activation='relu', input_shape=(256,256,3)))

model.add(MaxPooling2D(pool_size=(7, 7), strides=(2,2), padding='valid'))

# Avoiding overfitting
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(64, activation='relu'))

# Avoiding overfitting
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

print(model.summary())

# Compile model
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer='sgd', metrics=['accuracy'])

# Fit the model
model.fit_generator(
                    train_generator,
                    steps_per_epoch=nb_train_samples // batch_size,
                    epochs=epochs,
                    validation_data=validation_generator,
                    validation_steps=nb_validation_samples // batch_size,
                    verbose=0)

# Save the weights
model.save_weights('first_try.h5')

Answer 1

特别针对“两个班级”，有两种方法：

一个结果，0或1，是或否。
两个结果，一个是A类概率，另一个是B类概率。

每个人都需要不同的模型输出：

1D输出，Dense(1,....)
2D输出，Dense(2,....)

你似乎是第一种情况，所以，改变你的最后一层。

该错误意味着什么？

您的模型输出形状（BatchSize，2），但您的类标签具有形状（BatchSize，1）。

Answer 2

如果您需要单个输出来预测0或1，则只需将最后一层更改为

model.add(Dense(1, activation='softmax'))

但是，如果每个类都需要两个输出，则对训练和验证生成器使用分类类模式，即

train_generator = train_datagen.flow_from_directory(
                                                    train_data_dir,
                                                    target_size=(img_height, img_width),
                                                    batch_size=batch_size,
                                                    class_mode='categorical')


validation_generator = test_datagen.flow_from_directory(
                                                        validation_data_dir,
                                                        target_size=(img_height, img_width),
                                                        batch_size=batch_size,
                                                        class_mode='categorical')
<...>
model.add(Dense(2, activation='softmax'))

总结：

“二进制”类模式表示一维二进制标签
“类别”表示2D一键编码标签

ValueError：检查目标时出错：期望dense_2具有形状（None，2）但是得到了具有形状的数组（1,1）

2 个答案: