Question

我正在学习深度学习。我尝试转移学习，因为我使用vgg16模型。但是，我面对error: Shapes (None, 1) and (None, 2) are incompatible。我不知道为什么不兼容。帮我。对不起，我的英语说得不好。但我想知道为什么会出错。我的代码。我已经知道，如果我使用sigmod（激活）可以对数据进行分类。但是我想对三个或三个以上（狗，猫，马，老鼠.....）进行分类，所以我使用softmax。帮帮我。

ValueError: Shapes (None, 1) and (None, 2) are incompatible

问题出在哪里？

    def save_bottlebeck_features():
    datagen = ImageDataGenerator(rescale=1. / 255)

    # build the VGG16 network
    model = applications.VGG16(include_top=False, weights='imagenet')

    generator = datagen.flow_from_directory(
        train_data_dir,
        target_size=(150, 150),
        batch_size=batch_size,
        class_mode='categorical',
        shuffle=False)

    bottleneck_features_train = model.predict_generator(
        generator)
    np.save('bottleneck_features_train.npy',bottleneck_features_train)

    generator = datagen.flow_from_directory(
        validation_data_dir,
        target_size=(150, 150),
        batch_size=batch_size,
        class_mode='categorical',
        shuffle=False)

    bottleneck_features_validation = model.predict_generator(
        generator)
  

    np.save('bottleneck_features_validation.npy',bottleneck_features_validation)
 

    def train_top_model():
    train_data = np.load('bottleneck_features_train.npy') 
    train_labels = np.array(
        [0] * 682 + [1] * 403) # dog: 682 cat : 403

    validation_data = np.load('bottleneck_features_validation.npy')
    validation_labels = np.array(
        [0] * 63 + [1] * 70 )

    model = Sequential()
    model.add(Flatten(input_shape=train_data.shape[1:]))
    model.add(Dense(256, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(2, activation='softmax'))
    model.summary()

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

    model.fit(train_data, train_labels,
              epochs=epochs,
              steps_per_epoch=1000 // batch_size,
              validation_data=(validation_data, validation_labels))
    model.save_weights(top_model_weights_path)

Answer 1

您遇到的问题是您以[0]和[1]的形式创建了基本事实。

但是，您使用的损失函数为categorical_crossentropy，在这种情况下，期望输入目标是二维数组（n个类=> n维），而不是一维数组。 / p>

实际上，如果图片属于猫，那么您的网络期望[0,1]作为基本事实，如果图片是狗，则期望[1,0,1]作为事实。

但是，您只输入[0]和[1]而不是[0,1]或[1,0]。

您的问题的解决方案是：

将您的基本真相标签转换为[0,1]和[1,0]（提示：如果使用普通角豆，请使用tf.keras.utils.to_categorical()或keras.utils.to_categorical()。
使用sparse_categorical_crossentropy作为损失函数，该函数可让您使用纯整数，例如0,1,2,3作为标签。

深度学习Vgg16为什么我的模型不合适？

1 个答案: