ValueError: Dimension (-1) muss im Bereich [0, 2) in Keras sein

Question

Plötzlich habe ich diesen Fehler mit Kears mit Tensorflow Backend (Python2.7), der gleiche Fehler mit jedem Code. Ich dachte, seine keras 1 und 2 Unverträglichkeit, aber es war nicht

Dimension (-1) must be in the range [0, 2), where 2 is the number of dimensions in the input. for 'metrics/acc/ArgMax' (op: 'ArgMax') with input shapes: [?,?], []. 

‚aktualisiere ich sowohl tensorflow und keras wie ähnliches Problem (Link ↓↓), aber immer noch denselben Fehler ValueError: Dimension (-1) must be in the range [0, 2) Der vollständige Code (Beispiel)

**Code updated the whole code** 

using TensorFlow backend. 
I tensorflow/stream_executor/dso_loader.cc:128] successfully opened CUDA library libcublas.so locally 
I tensorflow/stream_executor/dso_loader.cc:128] successfully opened CUDA library libcudnn.so locally 
I tensorflow/stream_executor/dso_loader.cc:128] successfully opened CUDA library libcufft.so locally 
I tensorflow/stream_executor/dso_loader.cc:128] successfully opened CUDA library libcuda.so.1 locally 
I tensorflow/stream_executor/dso_loader.cc:128] successfully opened CUDA library libcurand.so locally 
60000 train samples 
10000 test samples 
_________________________________________________________________ 
Layer (type)     Output Shape    Param # 
================================================================= 
dense_1 (Dense)    (None, 512)    401920  
_________________________________________________________________ 
dropout_1 (Dropout)   (None, 512)    0   
_________________________________________________________________ 
dense_2 (Dense)    (None, 512)    262656  
_________________________________________________________________ 
dropout_2 (Dropout)   (None, 512)    0   
_________________________________________________________________ 
dense_3 (Dense)    (None, 10)    5130  
================================================================= 
Total params: 669,706 
Trainable params: 669,706 
Non-trainable params: 0 
_________________________________________________________________ 
Traceback (most recent call last): 
    File "mnist_mlp.py", line 48, in <module> 
    metrics=['accuracy']) 
    File "/home/usr/miniconda2/lib/python2.7/site-packages/keras/models.py", line 784, in compile 
    **kwargs) 
    File "/home/usr/miniconda2/lib/python2.7/site-packages/keras/engine/training.py", line 924, in compile 
    handle_metrics(output_metrics) 
    File "/home/usr/miniconda2/lib/python2.7/site-packages/keras/engine/training.py", line 921, in handle_metrics 
    mask=masks[i]) 
    File "/home/usr/miniconda2/lib/python2.7/site-packages/keras/engine/training.py", line 450, in weighted 
    score_array = fn(y_true, y_pred) 
    File "/home/usr/miniconda2/lib/python2.7/site-packages/keras/metrics.py", line 25, in categorical_accuracy 
    return K.cast(K.equal(K.argmax(y_true, axis=-1), 
    File "/home/usr/miniconda2/lib/python2.7/site-packages/keras/backend/tensorflow_backend.py", line 1333, in argmax 
    return tf.argmax(x, axis) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/ops/math_ops.py", line 249, in argmax 
    return gen_math_ops.arg_max(input, axis, name) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/ops/gen_math_ops.py", line 168, in arg_max 
    name=name) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/framework/op_def_library.py", line 759, in apply_op 
    op_def=op_def) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 2242, in create_op 
    set_shapes_for_outputs(ret) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 1617, in set_shapes_for_outputs 
    shapes = shape_func(op) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/framework/ops.py", line 1568, in call_with_requiring 
    return call_cpp_shape_fn(op, require_shape_fn=True) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/framework/common_shapes.py", line 610, in call_cpp_shape_fn 
    debug_python_shape_fn, require_shape_fn) 
    File "/home/usr/.local/lib/python2.7/site-packages/tensorflow/python/framework/common_shapes.py", line 675, in _call_cpp_shape_fn_impl 
    raise ValueError(err.message) 
ValueError: Dimension (-1) must be in the range [0, 2), where 2 is the number of dimensions in the input. for 'metrics/acc/ArgMax' (op: 'ArgMax') with input shapes: [?,?], [].' 

Answer 1

Ich konfrontiert dieselbe Fehlermeldung (aufgrund der Standard-Digital Ocean App), wenn versucht, ein bereits gespeichertes Modell von meinem Mac auf DigOcean zu laden. Aktualisiert tensorflow mit:

pip3 install --upgrade tensorflow

und 1.3.0 installiert wurde und das Problem wurde behoben, wenn ich den jupyter Kernel neu gestartet.

Answer 2

Ich fing gerade an, mit Keras zu spielen, und ich habe in demselben Problem angestellt. Ich folgte den verschiedenen Workarounds, die in verschiedenen Foren vorgeschlagen wurden - einschließlich des Upgrades von Tensorflow/Keras selbst -, aber das schien für mich nicht zu funktionieren.

Das Problem scheint zu sein, dass die argmax-Funktion in Keras.backend standardmäßig mit einer Achse = -1 aufgerufen wird, die außerhalb des Bereichs liegt, da nur [0, 2) echt sind.

Meine Lösung wurde die kategorische Genauigkeit Funktion Umschreiben:

import keras.backend as K 

def get_categorical_accuracy_keras(y_true, y_pred): 
    return K.mean(K.equal(K.argmax(y_true, axis=1), K.argmax(y_pred, axis=1))) 

(I die Formel in this thread gefunden)

, die an die folgende Funktion äquivalent sein sollte, die numpy Bibliothek nutzt:

import numpy as np 

def get_categorical_accuracy(y_true, y_pred): 
    return (np.argmax(y_true, axis=1) == np.argmax(y_pred, axis=1)).mean() 

Verwenden get_categorical_accuracy_keras Funktion im Modus l compilation:

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

scheint das Problem zu lösen.

Natürlich würde Ich mag die bereits definierte Genauigkeit selbst verwenden, so dass jeder Vorschlag in diesem Sinne ist willkommen