Question

我正在尝试微调vgg16（imagenet pretrained）的最后一个卷积块，顶部添加了几个密集层。我的代码如下。我无法弄清楚为什么在执行Error when checking target: expected sequential_9 to have shape (None, 11) but got array with shape (4, 1)时出现此错误。我的数据集中的类数是11，批量大小是4.我是否以某种方式混合这两个类？请帮忙。

def finetune( epochs):

    num_classes = 11
    batch_size = 4
    base_model = VGG16(weights='imagenet', include_top=False, input_shape = (224,224,3))
    print('Model loaded.')
    print(base_model.output_shape[1:])
    top_model = Sequential()  
    top_model.add(Flatten(input_shape=base_model.output_shape[1:])) 
    top_model.add(Dense(512, activation='relu',kernel_regularizer=regularizers.l2(0.01)))
    top_model.add(Dropout(0.25))
    top_model.add(Dense(256, activation='relu', kernel_regularizer=regularizers.l2(0.01)))  
    top_model.add(Dropout(0.25))  
    top_model.add(Dense(num_classes, activation='softmax')) 


    top_model.load_weights('vgg_ft_best.h5')

    # add the model on top of the convolutional base
    #model = Model(inputs= base_model.input, outputs= top_model(base_model.output))

    #base_model.add(top_model)
    #print(base_model.summary())

    new_model = Sequential()
    for l in base_model.layers:
        new_model.add(l)


    # CONCATENATE THE TWO MODELS
    new_model.add(top_model)
    print(new_model.summary())

    # set the first 10 layers (up to the last conv block)
    # to non-trainable (weights will not be updated)
    for layer in new_model.layers[:11]:
        layer.trainable = False

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

    train_data_dir = "./images/train"
    validation_data_dir = "./images/validation"
    test_datagen = ImageDataGenerator(rescale=1. / 255)

    train_generator = train_datagen.flow_from_directory(
        train_data_dir,
        target_size=(224, 224),
        batch_size=batch_size,
        class_mode='binary')

    validation_generator = test_datagen.flow_from_directory(
        validation_data_dir,
        target_size=(224, 224),
        batch_size=batch_size,
        class_mode='binary')

    num_train_samples = len(train_generator.filenames) 
    num_validation_samples = len(validation_generator.filenames)
    print(num_validation_samples)
    new_model.compile(loss='categorical_crossentropy',
              optimizer=optimizers.SGD(lr=1e-4, momentum=0.9),
              metrics=['accuracy'])
    # fine-tune the model

    new_model.fit_generator(
        train_generator,
        steps_per_epoch=int(num_train_samples/batch_size),
        epochs=epochs,
        validation_data=validation_generator,
        validation_steps = int(num_validation_samples/batch_size))

Answer 1

问题在于您的数据（目标=真实输出，真实标签等）。

您的目标的形状为(batch,1)，您的11个类的模型期待(batch,11)

所以，问题出在你的发电机上。它必须输出11个类的张量。

为此，请参阅the documentation for flow_from_directory和突出显示的部分：

类：类子目录的可选列表（例如['dogs'，'cats']）。默认值：无。如果没有提供，类列表将从目录下的子目录名称/结构自动推断，其中每个子目录将被视为不同的类（以及将映射到的类的顺序）标签索引，将是字母数字）。包含从类名到类索引的映射的字典可以通过属性class_indices获得。

class_mode ：“分类”，“二进制”，“稀疏”，“输入”或无之一。默认值：“分类”。确定返回的标签数组的类型：“分类”将是2D单热编码标签，“二进制”将是1D二进制标签，“稀疏”将是1D整数标签，“输入”将是与输入图像相同的图像（主要用于与自动编码器一起使用）。如果为None，则不返回任何标签（生成器将仅生成批量的图像数据，这对使用model.predict_generator（），model.evaluate_generator（）等很有用）。请注意，如果class_mode为None，则数据仍需要驻留在目录的子目录中，以使其正常工作。

<强>解决方案

您需要将图像放在11个不同的文件夹中，每个文件夹都是不同的类。

您需要使用class_mode='categorical'来获得(batch,11)格式。

现在，如果您的类不是分类的（一个图像可以有两个或更多类），那么您需要创建自己的自定义生成器。

Keras：无法将Dense图层添加到VGG16

1 个答案: