Question

我想在Keras中使用InceptionV3来进行转移学习的瓶颈。我已经使用了一些关于创建，加载和使用瓶颈的技巧 https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html

我的问题是我不知道如何使用瓶颈（numpy数组）作为带有新顶层的InceptionV3的输入。

我收到以下错误：

ValueError：检查输入时出错：期望input_3有形状（无，无，无，3）但是有形状的数组（248,8,8,2048）

248是指这种情况下的图像总数。

我知道这条线错了，但我不知道如何纠正它：

model = Model（inputs = base_model.input，outputs = predictions）

将瓶颈输入InceptionV3的正确方法是什么？

创建InceptionV3瓶颈：

def create_bottlenecks():
datagen = ImageDataGenerator(rescale=1. / 255)

model = InceptionV3(include_top=False, weights='imagenet')

# Generate bottlenecks for all training images
generator = datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode=None,
    shuffle=False)

nb_train_samples = len(generator.filenames)
bottlenecks_train = model.predict_generator(generator, int(math.ceil(nb_train_samples / float(batch_size))), verbose=1)
np.save(open(train_bottlenecks_file, 'w'), bottlenecks_train)

# Generate bottlenecks for all validation images
generator = datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode=None,
    shuffle=False)

nb_validation_samples = len(generator.filenames)

bottlenecks_validation = model.predict_generator(generator, int(math.ceil(nb_validation_samples / float(batch_size))), verbose=1)
np.save(open(validation_bottlenecks_file, 'w'), bottlenecks_validation)

加载瓶颈：

def load_bottlenecks(src_dir, bottleneck_file):
    datagen = ImageDataGenerator(rescale=1. / 255)
    generator = datagen.flow_from_directory(
        src_dir,
        target_size=(img_width, img_height),
        batch_size=batch_size,
        class_mode='categorical',
        shuffle=False)

    num_classes = len(generator.class_indices)

    # load the bottleneck features saved earlier
    bottleneck_data = np.load(bottleneck_file)

    # get the class lebels for the training data, in the original order
    bottleneck_class_labels = generator.classes

    # convert the training labels to categorical vectors
    bottleneck_class_labels = to_categorical(bottleneck_class_labels, num_classes=num_classes)

    return bottleneck_data, bottleneck_class_labels

开始培训：

def start_training():
global nb_train_samples, nb_validation_samples

create_bottlenecks()

train_data, train_labels = load_bottlenecks(train_data_dir, train_bottlenecks_file)
validation_data, validation_labels = load_bottlenecks(validation_data_dir, validation_bottlenecks_file)

nb_train_samples = len(train_data)
nb_validation_samples = len(validation_data)

base_model = InceptionV3(weights='imagenet', include_top=False)

# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)

# let's add a fully-connected layer
x = Dense(1024, activation='relu')(x)

# and a logistic layer -- let's say we have 2 classes
predictions = Dense(2, activation='softmax')(x)

# What is the correct input? Obviously not base_model.input.
model = Model(inputs=base_model.input, outputs=predictions)

# first: train only the top layers (which were randomly initialized)
# i.e. freeze all convolutional InceptionV3 layers
for layer in base_model.layers:
    layer.trainable = False

model.compile(optimizer=optimizers.SGD(lr=0.01, momentum=0.9), loss='categorical_crossentropy', metrics=['accuracy'])

# train the model on the new data for a few epochs
history = model.fit(train_data, train_labels,
                    epochs=epochs,
                    batch_size=batch_size,
                    validation_data=(validation_data, validation_labels),
)

任何帮助将不胜感激！

Answer 1

当您尝试使用与模型支持的形状不同的输入数据训练模型时，会发生此错误。

您的模型支持(None, None, None, 3)，意思是：

任意数量的图片
任何高度
任何宽度
3个频道

因此，您必须确保train_data（和validation_data）符合此形状。

系统告诉train_data.shape = (248,8,8,2048)

我看到train_data来自load_botlenecks。真的应该来自那里吗？什么是火车数据应该是什么？一个图像？别的什么？什么是瓶颈？

您的模型从Inception模型开始，Inception模型拍摄图像。

但是，如果瓶颈已经是Inception模型的结果，并且您想要仅提供瓶颈，那么Inception模型就不应该参与任何事情。

从：

开始

inputTensor = Input((8,8,2048)) #Use (None,None,2048) if bottlenecks vary in size    
x = GlobalAveragePooling2D()(inputTensor)

.....

使用以下命令创建模型：

model = Model(inputTensor, predictions)

这个想法是：

初始模型：图像 - ＆gt;成立 - ＆gt;瓶颈
您的型号：瓶颈 - ＆gt;型号 - ＆gt;标签

只有在您没有预先加载瓶颈的情况下才需要组合这两种模型，但是您有自己的图像需要先预测瓶颈。（当然你也可以使用不同的模型）

然后你将只输入图像（瓶颈将由Inception创建并传递给你的模型，内部的一切）：

组合模型：图像 - ＆gt;初始 - ＆gt;（瓶颈） - ＆gt;型号 - ＆gt;标签

为此：

inputImage = Input((None,None,3))
bottleNecks = base_model(inputImage)
predictions = model(bottleNecks)

fullModel = Model(inputImage, predictions)

如何在Keras 2.0

1 个答案: