Question

有一段时间了，因为我做了任何神经网络。我正在编写一个简单的示例作为热身，并对为什么我的张量没有正确成形感到困惑。我认为模型是预期的（样本，高度，宽度，通道）。

当我打电话

X_train.shape

我得到（784，100，100，3）

但是我得到一个错误：ValueError：检查目标时出错：预期density_10的形状为（2，），但数组的形状为（1，）

这是下面的简单模型。我要去哪里错了？我需要转换为灰度吗？

#THE MODEL#
batch_size = 32
nb_classes = 2
nb_epoch = 2

img_rows =100
img_cols=100
img_channels = 3

model_input=Input(shape=(img_rows, img_cols,img_channels))

x = Convolution2D(32, 3, 3, border_mode='same')(model_input)
x = Activation('relu')(x)
x = Convolution2D(32, 3, 3)(x)
x = Activation('relu')(x)
x = MaxPooling2D(pool_size=(2, 2))(x)
x = Dropout(0.25)(x)
conv_out = Flatten()(x)

x1 = Dense(nb_classes, activation='softmax')(conv_out)


lst = [x1]

#model = Model(input=model_input, output=lst)
model = Model(input=model_input, output=lst) #I learned you can't use a sequential model for this type of prediction

model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])

model.fit(X_train, y_train, batch_size=batch_size, nb_epoch=nb_epoch, callbacks=[history],verbose=1)

在运行模型之前，我这样做了：

print('X_train shape:', X_train.shape)
print('y_train shape:', X_train.shape)
print(X_train.shape[0], 'train samples')
print(X_test.shape[0], 'test samples')

给出此输出：

X_train shape: (784, 1, 100, 100, 3)
y_train shape: (784, 1, 100, 100, 3)
784 train samples
196 test samples

i然后重塑为：

X_test = X_test.reshape(X_test.shape[0], 100,100, 3)

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255 #normalize our data values to the range [0, 1], 255 is the max value of X_train.max()
X_test /= 255

然后我得到X_train的形状

(784, 100, 100, 3)

数据是来自kaggle的彩色水果图片：https://www.kaggle.com/moltean/fruits

Answer 1

我的猜测是批量大小冲突。就您共享的代码片段而言，它应该可以正常工作。

但是X_train.shape给我们的输出元组为（784，100，100，3）。在这种情况下，我会将输入初始化为类似这样的内容：

model_input = Input(shape=(X_train.shape[0], img_rows, img_cols,img_channels))

注意：如果要进行可变批处理大小，请使用无初始化初始化输入，并在训练时动态设置值。干杯！

Answer 2

我是个白痴。错误是因为我没有编码y_train。我以为我已经有了，但我没有。感谢所有提供帮助的人！

y_train=np_utils.to_categorical(y_train, n_class)
y_test=np_utils.to_categorical(y_test, n_class)

用tensorflow后端重塑keras的张量的正确方法

2 个答案: