python - ValueError : Error when checking target: expected dense_10 to have shape (1, )但得到了形状为(19316，)的数组

Question

我正在运行一个 CNN，它检查图像但不分类。事实上，输出层是一个密集层，其参数为一维标签中图像的大小。

如下面的代码所示，我使用 model.fit_generator() 而不是 model.fit，当开始训练模型时出现以下错误:

ValueError: Error when checking target: expected dense_10 to have shape 
(1,) but got array with shape (19316,)

为什么这是一个错误？我的密集输出是一个包含 19316 个元素的数组，为什么它期望它的形状为 (1,) ？

这里还附上了模型的摘要:

<小时/>

层(类型)输出形状参数#

conv2d_28(Conv2D)(无、26、877、32)544

<小时/>

activation_37(激活)(无、26、877、32)0

<小时/>

max_pooling2d_28(最大池化(无、13、438、32)0

<小时/>

conv2d_29(Conv2D)(无、12、437、16)2064

<小时/>

activation_38(激活)(无、12、437、16)0

<小时/>

max_pooling2d_29(最大池化(无、6、218、16)0

<小时/>

conv2d_30(Conv2D)(无、5、217、8)520

<小时/>

activation_39(激活)(无、5、217、8)0

<小时/>

max_pooling2d_30(最大池化(无、2、108、8)0

<小时/>

activation_40(激活)(无、2、108、8)0

<小时/>

flatten_10(压平)(无，1728)0

<小时/>

dropout_10(辍学)(无，1728)0

<小时/>

dense_10(密集)(无，19316)33397364

================================================== =================

总参数:33,400,492可训练参数:33,400,492不可训练参数:0

<小时/>

有什么建议吗？

提前非常感谢!

def generator(data_arr, batch_size = 10):

num = len(data_arr) 

if num % batch_size != 0 : 
    num = int(num/batch_size)

# Loop forever so the generator never terminates
while True: 

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

    batch_samples = (data_arr[offset:offset+batch_size])

    samples = []
    labels = []

    for batch_sample in batch_samples:

        samples.append(batch_sample[0])
        labels.append((np.array(batch_sample[1].flatten)).transpose())

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

    X_ = X_[:, :, :, newaxis]

    print(X_.shape)
    print(Y_.shape)

    yield (X_, Y_)

# compile and train the model using the generator function
train_generator = generator(training_data, batch_size = 10)
validation_generator = generator(val_data, batch_size = 10)

run_opts = tf.RunOptions(report_tensor_allocations_upon_oom = True)

model = Sequential()

model.add(Conv2D(32, (4, 4), strides=(2, 2), input_shape = (55, 1756, 
1)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2, 2)))

model.add(Conv2D(16, (2, 2)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2, 2)))

model.add(Conv2D(8, (2, 2)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2, 2)))

model.add(Activation('softmax'))
model.add(Flatten())  # this converts our 3D feature maps to 1D feature 
vectors
model.add(Dropout(0.3))
model.add(Dense(19316))

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

model.summary()

batch_size = 20
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))

Answer 1

您当前正在使用 sparse_categorical_crossentropy 损失，它需要整数标签并在内部进行 one-hot 编码，但您的标签已经是 one-hot 编码的。

因此，对于这种情况，您应该恢复到 categorical_crossentropy 损失。