theano - 输入维度不匹配二元交叉熵 Lasagne 和 Theano

Question

我阅读了网络上所有关于人们忘记将目标向量更改为矩阵的问题的帖子，由于更改后问题仍然存在，我决定在这里提出我的问题。下面提到了解决方法，但出现了新问题，我感谢您的建议!

使用卷积网络设置和带有 sigmoid 激活函数的二元交叉熵，我遇到了维度不匹配问题，但不是在训练数据期间，而是在验证/测试数据评估期间。出于某种奇怪的原因，我的验证集向量中的一个得到了他的维度切换，我不知道为什么。如上所述，培训工作正常。代码如下，非常感谢您的帮助(很抱歉劫持了该线程，但我认为没有理由创建一个新线程)，其中大部分是从烤宽面条教程示例中复制的。

解决方法和新问题:

删除 valAcc 定义中的“axis=1”有帮助，但验证准确度仍然为零，并且测试分类总是返回相同的结果，无论有多少节点、层、过滤器等。我有。即使改变训练集的大小(我每个类有大约 350 个样本，具有 48x64 灰度图像)也不会改变这一点。所以似乎有些不对劲

网络创建:

def build_cnn(imgSet, input_var=None):
# As a third model, we'll create a CNN of two convolution + pooling stages
# and a fully-connected hidden layer in front of the output layer.

# Input layer using shape information from training
network = lasagne.layers.InputLayer(shape=(None, \
    imgSet.shape[1], imgSet.shape[2], imgSet.shape[3]), input_var=input_var)
# This time we do not apply input dropout, as it tends to work less well
# for convolutional layers.

# Convolutional layer with 32 kernels of size 5x5. Strided and padded
# convolutions are supported as well; see the docstring.
network = lasagne.layers.Conv2DLayer(
        network, num_filters=32, filter_size=(5, 5),
        nonlinearity=lasagne.nonlinearities.rectify,
        W=lasagne.init.GlorotUniform())

# Max-pooling layer of factor 2 in both dimensions:
network = lasagne.layers.MaxPool2DLayer(network, pool_size=(2, 2))

# Another convolution with 16 5x5 kernels, and another 2x2 pooling:
network = lasagne.layers.Conv2DLayer(
        network, num_filters=16, filter_size=(5, 5),
        nonlinearity=lasagne.nonlinearities.rectify)

network = lasagne.layers.MaxPool2DLayer(network, pool_size=(2, 2))

# A fully-connected layer of 64 units with 25% dropout on its inputs:
network = lasagne.layers.DenseLayer(
        lasagne.layers.dropout(network, p=.25),
        num_units=64,
        nonlinearity=lasagne.nonlinearities.rectify)

# And, finally, the 2-unit output layer with 50% dropout on its inputs:
network = lasagne.layers.DenseLayer(
        lasagne.layers.dropout(network, p=.5),
        num_units=1,
        nonlinearity=lasagne.nonlinearities.sigmoid)

return network

所有集合的目标矩阵都是这样创建的(以训练目标向量为例)

 targetsTrain = np.vstack( (targetsTrain, [[targetClass], ]*numTr) );

...以及 theano 变量本身

inputVar = T.tensor4('inputs')
targetVar = T.imatrix('targets')
network = build_cnn(trainset, inputVar)
predictions = lasagne.layers.get_output(network)
loss = lasagne.objectives.binary_crossentropy(predictions, targetVar)
loss = loss.mean()
params = lasagne.layers.get_all_params(network, trainable=True)
updates = lasagne.updates.nesterov_momentum(loss, params, learning_rate=0.01, momentum=0.9)
valPrediction = lasagne.layers.get_output(network, deterministic=True)
valLoss = lasagne.objectives.binary_crossentropy(valPrediction, targetVar)
valLoss = valLoss.mean()
valAcc = T.mean(T.eq(T.argmax(valPrediction, axis=1), targetVar), dtype=theano.config.floatX)
train_fn = function([inputVar, targetVar], loss, updates=updates,  allow_input_downcast=True)
val_fn = function([inputVar, targetVar], [valLoss, valAcc])

最后，这里有两个循环，训练和测试。第一个没问题，第二个报错，摘录如下

# -- Neural network training itself -- #
numIts = 100
for itNr in range(0, numIts):
train_err = 0
train_batches = 0
for batch in iterate_minibatches(trainset.astype('float32'), targetsTrain.astype('int8'), len(trainset)//4, shuffle=True):
    inputs, targets = batch
    print (inputs.shape)
    print(targets.shape)        
    train_err += train_fn(inputs, targets)
    train_batches += 1

# And a full pass over the validation data:
val_err = 0
val_acc = 0
val_batches = 0

for batch in iterate_minibatches(valset.astype('float32'), targetsVal.astype('int8'), len(valset)//3, shuffle=False):
    [inputs, targets] = batch
    [err, acc] = val_fn(inputs, targets)
    val_err += err
    val_acc += acc
    val_batches += 1

错误(摘录)

Exception "unhandled ValueError"
Input dimension mis-match. (input[0].shape[1] = 52, input[1].shape[1] = 1)
Apply node that caused the error: Elemwise{eq,no_inplace}(DimShuffle{x,0}.0, targets)
Toposort index: 36
Inputs types: [TensorType(int64, row), TensorType(int32, matrix)]
Inputs shapes: [(1, 52), (52, 1)]
Inputs strides: [(416, 8), (4, 4)]
Inputs values: ['not shown', 'not shown']

再次感谢您的帮助!

Answer 1

所以似乎错误在于验证准确性的评估。
当您在计算中删除“axis=1”时，argmax 会继续执行所有操作，仅返回一个数字。
然后，广播介入，这就是为什么您会看到整个集合的值相同的原因。

但是根据您发布的错误，“T.eq”操作会引发错误，因为它必须将 52 x 1 与 1 x 52 向量(theano/numpy 的矩阵)进行比较。
因此，我建议您尝试用以下内容替换该行:

    valAcc = T.mean(T.eq(T.argmax(valPrediction, axis=1), targetVar.T))

我希望这应该可以解决错误，但我自己还没有测试过。

编辑:
错误在于调用的 argmax 操作。
通常，argmax 用于确定哪个输出单元被激活最多。
但是，在您的设置中，您只有一个输出神经元，这意味着所有输出神经元的 argmax 将始终返回 0(对于第一个 arg)。

这就是为什么你的网络给你的印象总是 0 作为输出。

通过替换:

    valAcc = T.mean(T.eq(T.argmax(valPrediction, axis=1), targetVar.T))

和:

    binaryPrediction = valPrediction > .5
    valAcc = T.mean(T.eq(binaryPrediction, targetVar.T)

你应该得到想要的结果。

我只是不确定，是否仍然需要转置。