ValueError：检查目标时出错：预期density_14具有2维，但数组的形状为（144，11，1756）

Question

我正在运行一个CNN，用于检查图像，但不进行分类。实际上，输出层是一个密集层，具有1d标签中的图像大小作为参数。

如下代码所示，我使用的是model.fit_generator（）而不是model.fit，在开始训练模型时会出现以下错误：

  

“ ValueError：检查目标时出错：预期density_14具有2   尺寸，但数组的形状为（144，11，1756）”

模型摘要如下：

图层（类型）输出形状参数＃

conv2d_45（Conv2D）（无，53，1754，8）80

---

activation_57（激活）（无，53，1754，8）0

---

max_pooling2d_43（MaxPooling（None，17，584，8）0

---

conv2d_46（Conv2D）（无，15、582、16）1168

---

activation_58（激活）（无，15、582、16）0

---

max_pooling2d_44（MaxPooling（None，5，194，16）0

---

conv2d_47（Conv2D）（无，3，192，32）4640

---

activation_59（激活）（无，3、192、32）0

---

max_pooling2d_45（MaxPooling（None，1，64，32）0

---

activation_60（激活）（无，1、64、32）0

---

flatten_15（Flatten）（无，2048）0

---

dense_14（Dense）（None，19316）39578484

总参数：39,584,372 可训练的参数：39,584,372 不可训练的参数：0

---

有什么建议吗？ 预先感谢！

代码：

def generator(data_arr, batch_size = 12):

num = len(data_arr)

# Loop forever so the generator never terminates
while True: 

    #shuffle(data_arr)

    i = 0 

    for offset in range(0, num, batch_size):

        batch_samples = data_arr[offset:offset+batch_size]

        samples = []
        labels = []

        for i in range(0, offset+batch_size, 1): 

            for batch_sample in batch_samples:

                samples.append(data_arr[i][0])
                labels.append(data_arr[i][1])

            X_ = np.array(samples)
            Y_ = np.array(labels)

        i+= batch_size

        X_ = X_[:, :, :, newaxis]
        yield (X_, Y_)

# compile and train the model using the generator function
train_generator = generator(training_data, batch_size = 12)
validation_generator = generator(val_data, batch_size = 12)

run_opts = tf.RunOptions(report_tensor_allocations_upon_oom = True)

model = Sequential()

model.add(Conv2D(8, (3, 3), input_shape = (55,1756,1)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (3, 3)))

model.add(Conv2D(16, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (3, 3)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (3, 3)))

model.add(Activation('softmax'))
model.add(Flatten())  # this converts our 3D feature maps to 1D feature 
vectors
model.add(Dense(19316))

model.compile(loss = 'sparse_categorical_crossentropy',
          optimizer = 'adam',
          metrics = ['accuracy'],
          options = run_opts)

model.summary()

batch_size = 12
nb_epoch = 6

model.fit_generator(train_generator, 
                steps_per_epoch = len(training_data) ,
                epochs = nb_epoch,
                validation_data = validation_generator,
                validation_steps = len(val_data))