Keras CNN für Multiklassen kategorische Crossentropie-Verlust-Funktion

Question

Dies ist mein Code ich tippte, um einige Klassen bestehend aus Vögeln, Hunden und Katzen zu klassifizieren. Es ist derselbe Code für die binäre Klassifikation, aber wenn ich eine andere Klasse hinzufüge und die Verlustfunktion der Kompiliermethode so geändert habe, dass sie categorical_Crossentropy verwendet, gibt sie mir den folgenden Fehler (=> am Ende des Codes). Kann mir jemand erklären, worum es hier geht oder um den Fehler, den ich begangen habe?

# Importing Keras and Tensorflow modules 

import tensorflow as tf 
from keras.models import Sequential 
from keras.layers import Conv2D 
from keras.layers import MaxPooling2D 
from keras.layers import Flatten 
from keras.layers import Dense 
from keras.preprocessing.image import ImageDataGenerator 
from keras.models import load_model 
from keras.utils.np_utils import to_categorical 
import os.path 

# Initilize the CNN 

classifier = Sequential() 
# Step 1 - Convolution 

classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu')) 

# Step 2 - Pooling 

classifier.add(MaxPooling2D(pool_size = (2, 2))) 

# Step 2(b) - Add 2nd Convolution Layer making it Deep followed by a Pooling Layer 

classifier.add(Conv2D(32, (3, 3), activation = 'relu')) 
classifier.add(MaxPooling2D(pool_size = (2, 2))) 

# Step 3 - Flattening 

classifier.add(Flatten()) 

# Step 4 - Fully Connected Neural Network 

# Hidden Layer - Activation Function RELU 
classifier.add(Dense(units = 128, activation = 'relu')) 
# Output Layer - Activation Function Softmax(to clasify multiple classes) 
classifier.add(Dense(units = 1, activation = 'softmax')) 

# Compile the CNN 

# Categorical Crossentropy - to classify between multiple classes of images 
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', 
metrics = ['accuracy']) 

# Image Augmentation and Training Section 

# Image Augmentation to prevent Overfitting (Applying random transformation on 
images to train set.ie. 
# scalling, rotating and streching) 

train_datagen = ImageDataGenerator(
     rescale=1./255, 
     shear_range=0.2, 
     zoom_range=0.2, 
     horizontal_flip=True) 

test_datagen = ImageDataGenerator(rescale=1./255) 

training_set = train_datagen.flow_from_directory(
     'dataset/training_set', 
     target_size=(64, 64), 
     batch_size=8, 
     class_mode='categorical') 

test_set = test_datagen.flow_from_directory(
     'dataset/test_set', 
     target_size=(64, 64), 
     batch_size=8, 
     class_mode='categorical') 

#Fit the clasifier on the CNN data 
if(os.path.isfile('my_model.h5') == False): 
    classifier.fit_generator(
      training_set, 
      steps_per_epoch=8000, 
      epochs=2, 
      validation_data=test_set, 
      validation_steps=2000 
           ) 
# Save the generated model to my_model.h5 
classifier.save('my_model.h5') 
else: 
    classifier = load_model('my_model.h5') 

Answer 1

Ihre Datenmenge scheint drei Klassen haben, so dass Sie die letzte Zeile in einer Modelldefinition ändern müssen:

classifier.add(Dense(units = 3, activation = 'softmax')) 

Answer 2

Sie benötigen ein Neuron pro Klasse auf dem letzten (Dense) Schicht haben.

classifier.add(Dense(3)) 

Im Moment haben Sie nur ein Neuron und damit ist Ihr Netzwerk immer noch für nur zwei Klassen eingerichtet.