我是tensoflow的新手，我想用我自己的数据（40x40的图像）调整MNIST教程https://www.tensorflow.org/tutorials/layers。 这是我的模型功能：
def cnn_model_fn(features, labels, mode):
# Input Layer
input_layer = tf.reshape(features, [-1, 40, 40, 1])
# Convolutional Layer #1
conv1 = tf.layers.conv2d(
inputs=input_layer,
filters=32,
kernel_size=[5, 5],
# To specify that the output tensor should have the same width and height values as the input tensor
# value can be "same" ou "valid"
padding="same",
activation=tf.nn.relu)
# Pooling Layer #1
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
# Convolutional Layer #2 and Pooling Layer #2
conv2 = tf.layers.conv2d(
inputs=pool1,
filters=64,
kernel_size=[5, 5],
padding="same",
activation=tf.nn.relu)
pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
# Dense Layer
pool2_flat = tf.reshape(pool2, [-1, 10 * 10 * 64])
dense = tf.layers.dense(inputs=pool2_flat, units=1024, activation=tf.nn.relu)
dropout = tf.layers.dropout(
inputs=dense, rate=0.4, training=mode == tf.estimator.ModeKeys.TRAIN)
# Logits Layer
logits = tf.layers.dense(inputs=dropout, units=2)
predictions = {
# Generate predictions (for PREDICT and EVAL mode)
"classes": tf.argmax(input=logits, axis=1),
# Add `softmax_tensor` to the graph. It is used for PREDICT and by the
# `logging_hook`.
"probabilities": tf.nn.softmax(logits, name="softmax_tensor")
}
if mode == tf.estimator.ModeKeys.PREDICT:
return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)
# Calculate Loss (for both TRAIN and EVAL modes)
loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)
# Configure the Training Op (for TRAIN mode)
if mode == tf.estimator.ModeKeys.TRAIN:
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
train_op = optimizer.minimize(
loss=loss,
global_step=tf.train.get_global_step())
return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)
# Add evaluation metrics (for EVAL mode)
eval_metric_ops = {
"accuracy": tf.metrics.accuracy(
labels=labels, predictions=predictions["classes"])}
return tf.estimator.EstimatorSpec(
mode=mode, loss=loss, eval_metric_ops=eval_metric_ops)
我在标签和日志之间出现了形状大小错误：
InvalidArgumentError（请参阅上面的回溯）：logits和label必须具有相同的第一维，得到logits形状[3,2]和标签形状[1]
filenames_array是一个包含16个字符串的数组
["file1.png", "file2.png", "file3.png", ...]
和labels_array是一个16整数
的数组[0,0,1,1,0,1,0,0,0,...]
主要功能是：
# Create the Estimator
mnist_classifier = tf.estimator.Estimator(model_fn=cnn_model_fn, model_dir="/tmp/test_convnet_model")
# Train the model
cust_train_input_fn = lambda: train_input_fn_custom(
filenames_array=filenames, labels_array=labels, batch_size=1)
mnist_classifier.train(
input_fn=cust_train_input_fn,
steps=20000,
hooks=[logging_hook])
我尝试重塑logits但没有成功：
logits = tf.reshape（logits，[1,2]）
我需要你的帮助，谢谢
修改
经过更长时间的搜索，在我的模型函数的第一行
input_layer = tf.reshape(features, [-1, 40, 40, 1])
＆＃34; -1＆＃34;表示将动态计算batch_size维度的值为＆＃34; 3＆＃34;。同样的＆＃34; 3＆＃34;在我的错误中： logits和标签必须具有相同的第一维，得到logits形状[3,2]和标签形状[1]
如果我将值强制为＆＃34; 1＆＃34;我有这个新错误：
重塑的输入是一个具有4800个值的张量，但请求的形状有1600
我的功能可能有问题吗？
EDIT2：
完整的代码在这里：https://gist.github.com/geoffreyp/cc8e97aab1bff4d39e10001118c6322e
EDIT3
我用
更新了要点logits = tf.layers.dense(inputs=dropout, units=1)
https://gist.github.com/geoffreyp/cc8e97aab1bff4d39e10001118c6322e
但我不完全理解你对批量大小的答案，批量大小在这里是3，而我选择批量大小为1？
如果我选择batch_size = 3，则会出现此错误： logits和标签必须具有相同的第一维，得到logits形状[9,1]和标签形状[3]
我试图重塑标签：
labels = tf.reshape(labels, [3, 1])
我更新了功能和标签结构：
filenames_train = [['blackcorner-data/1.png', 'blackcorner-data/2.png', 'blackcorner-data/3.png',
'blackcorner-data/4.png', 'blackcorner-data/n1.png'],
['blackcorner-data/n2.png',
'blackcorner-data/n3.png', 'blackcorner-data/n4.png',
'blackcorner-data/11.png', 'blackcorner-data/21.png'],
['blackcorner-data/31.png',
'blackcorner-data/41.png', 'blackcorner-data/n11.png', 'blackcorner-data/n21.png',
'blackcorner-data/n31.png']
]
labels = [[0, 0, 0, 0, 1], [1, 1, 1, 0, 0], [0, 0, 1, 1, 1]]
但没有成功......
答案 0 :(得分：21)
我解决了将其从sparse_categorical_crossentropy更改为categorical_crossentropy的问题，现在运行良好。
答案 1 :(得分：17)
问题出在您的目标形状上，并且与正确选择适当的损失函数有关。您有2种可能性：
1。可能性：如果您具有一维整数编码目标，则可以使用sparse_categorical_crossentropy作为损失函数
n_class = 3
n_features = 100
n_sample = 1000
X = np.random.randint(0,10, (n_sample,n_features))
y = np.random.randint(0,n_class, n_sample)
inp = Input((n_features,))
x = Dense(128, activation='relu')(inp)
out = Dense(n_class, activation='softmax')(x)
model = Model(inp, out)
model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
history = model.fit(X, y, epochs=3)
2。可能性：如果您对目标进行了一次热编码以使其具有2D形状（n_samples，n_class），则可以使用categorical_crossentropy
n_class = 3
n_features = 100
n_sample = 1000
X = np.random.randint(0,10, (n_sample,n_features))
y = pd.get_dummies(np.random.randint(0,n_class, n_sample)).values
inp = Input((n_features,))
x = Dense(128, activation='relu')(inp)
out = Dense(n_class, activation='softmax')(x)
model = Model(inp, out)
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
history = model.fit(X, y, epochs=3)
答案 2 :(得分：4)
我第一次使用tensorflow已经遇到了这个问题，我发现我的问题是忘记将属性class_mode='sparse' / class_mode='binary'添加到上传训练数据和验证数据的函数中：
所以请尝试照顾class_mode选项
image_gen_val = ImageDataGenerator(rescale=1./255)
val_data_gen = image_gen_val.flow_from_directory(batch_size=batch_size,
directory=val_dir,
target_size=(IMG_SHAPE, IMG_SHAPE),
class_mode='sparse')
答案 3 :(得分：1)
您的logits形状看起来正确，批量大小为3，输出层大小为2，这是您定义的输出层。你的标签也应该是形状[3,2]。批次为3，每批次有2 [1,0]或[0,1]。
还要注意，当你有一个布尔分类输出时，你不应该在输出/ logits层上有2个神经元。您只需输出一个取值为0或1的值，您可以看到[1,0]和[0,1]的2个输出是多余的，可以表示为简单的[0 | 1]值。当你这样做时，你也会得到更好的结果。
因此，您的logits最终应该是[3,1]，并且您的标签应该是一个包含3个值的数组，每个值对应一批样本。
答案 4 :(得分：0)
我遇到了类似的问题，结果发现一个合并图层没有正确重新整形。我在我的案例tf.reshape(pool, shape=[-1, 64 * 7 * 7])而不是tf.reshape(pool, shape=[-1, 64 * 14 * 14])中使用不正确，导致对logits和标签的类似错误按摩。改变因素，例如tf.reshape(pool, shape=[-1, 64 * 12 * 12])导致完全不同的，误导性较差的错误消息。
也许这也是这种情况。我建议通过代码检查节点的形状，以防万一。
答案 5 :(得分：0)
我遇到了类似的问题，发现我错过了 CNN 和 Dense 层之间的扁平层。添加展平层为我解决了这个问题。