Question

我在tensorflow上将python和keras一起使用，并尝试使用lambda层，并保持相同的错误，我检查了模型的摘要，一切似乎都很好。该错误仅在训练时发生。

from keras.datasets import mnist 
from keras.layers import Dense, Input, concatenate,subtract, Lambda
from keras.losses import binary_crossentropy
from keras.optimizers import SGD

(train_x, train_y), (test_x, test_y) = mnist.load_data()
train_x = (train_x / 255.0).reshape(-1, 28*28) 
test_x = (test_x / 255.0).reshape(-1, 28*28)

inp1 = Input(shape=(28*28,))
inp2 = Input(shape=(28*28,))

l1 = Dense(100, activation="relu")
a1 = l1(inp1)
a2 = l1(inp2)
l2 = Dense(100, activation="relu")
b1 = l2(a1)
b2 = l2(a2)
output = Lambda(lambda inputs: inputs[0]-inputs[1], output_shape=(100,))([b1, b2])
model = Model([inp1, inp2], [output])
model.compile(loss=binary_crossentropy, optimizer=SGD())

y = train_y[:1]
model.fit([train_x[:1], train_x[:1]], y)

我收到此错误

检查目标时出错：预期lambda_13的形状为（100，）但是得到了形状为（1，）的数组

在同一数据上使用model.predict时，它会预测没有任何错误。这是什么问题？谢谢

Answer 1

问题是您希望模型以（100，）的形式进行预测，并且正在尝试拟合形状为（1，）的数据。如果要使用当前y，则output_shape =（100，）应该为1。

还有另外一件事，如果您想对形状为(1,)的输出进行数字分类。您还需要将model.compile(loss=binary_crossentropy, optimizer=SGD())更改为model.compile(loss=sparse_categorical_crossentropy, optimizer=SGD())。有关sparse_categorical_crossentropy的更多信息，您可以检查keras documentation。并且您可以找到here categorical_crossentropy和sparse_categorical_crossentropy之间的区别。

keras-使用lambda图层时如何避免尺寸错误

1 个答案: