Fehler beim Überprüfen des Ziels: Sparse_Categorical_Crossentropy Ausgabe Shape

Question

Ich versuche InceptionV3 auf eine neue Reihe von Bildern mit Transfer lernen lernen. Ich stoße auf diese Frage - die sich eindeutig auf ein Missverhältnis von Input- und Output-Dimension bezieht (denke ich), aber ich kann das Problem nicht identifizieren. Alle relevanten früheren Posts zu SO beziehen sich auf VGG16 (die ich funktioniere). Hier ist mein Code:

from keras.applications.inception_v3 import InceptionV3 
from keras.models import Model 
from keras.layers import Dense, GlobalAveragePooling2D 
from keras.callbacks import ModelCheckpoint, TensorBoard, CSVLogger, Callback 
from keras.optimizers import SGD 
from keras.preprocessing.image import ImageDataGenerator 

base_model = InceptionV3(weights='imagenet', include_top=False) 
x = base_model.output 
x = GlobalAveragePooling2D()(x) 
x = Dense(1024, activation='relu')(x) 
predictions = Dense(3, activation='softmax')(x) 
model = Model(inputs=base_model.input, output=predictions) 

for layer in base_model.layers: 
    layer.trainable = False 

model.compile(optimizer=SGD(lr=0.001, momentum=0.9), loss='sparse_categorical_crossentropy') 

train_dir = 'hrct_data/ExtractedHRCTs/Train' 
validation_dir = 'hrct_data/ExtractedHRCTs/Validation' 
nb_train_samples = 21903 
nb_validation_samples = 6000 
epochs = 30 
batch_size = 256 

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

validation_datagen = ImageDataGenerator(
    rescale=1./255) 

train_generator = train_datagen.flow_from_directory(
    train_dir, 
    target_size=(512, 512), 
    batch_size=batch_size, 
    class_mode="categorical") 

validation_generator = validation_datagen.flow_from_directory(
    validation_dir, 
    target_size=(512, 512), 
    batch_size=batch_size, 
    class_mode="categorical") 


model.fit_generator(
    train_generator, 
    steps_per_epoch=21903 // batch_size, 
    epochs=30, 
    validation_data=validation_generator, 
    validation_steps=6000 // batch_size) 

model.save_weights('hrct_inception.h5') 

Und hier ist der Fehler:

--------------------------------------------------------------------------- 
ValueError        Traceback (most recent call last) 
<ipython-input-89-f79a107413cd> in <module>() 
    4   epochs=30, 
    5   validation_data=validation_generator, 
    6   validation_steps=6000 // batch_size) 
    7 model.save_weights('hrct_inception.h5') 

/Users/simonalice/anaconda/lib/python3.5/site-packages/keras/legacy/interfaces.py in wrapper(*args, **kwargs) 
    86     warnings.warn('Update your `' + object_name + 
    87        '` call to the Keras 2 API: ' + signature, stacklevel=2) 
    88    return func(*args, **kwargs) 
    89   wrapper._legacy_support_signature = inspect.getargspec(func) 
    90   return wrapper 

/Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in fit_generator(self, generator, steps_per_epoch, epochs, verbose, callbacks, validation_data, validation_steps, class_weight, max_q_size, workers, pickle_safe, initial_epoch) 
    1888      outs = self.train_on_batch(x, y, 
    1889             
    sample_weight=sample_weight, 
    1890            class_weight=class_weight) 
    1891 
    1892      if not isinstance(outs, list): 

/Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in train_on_batch(self, x, y, sample_weight, class_weight) 
    1625    sample_weight=sample_weight, 
    1626    class_weight=class_weight, 
    1627    check_batch_axis=True) 
    1628   if self.uses_learning_phase and not 
       isinstance(K.learning_phase(), int): 
    1629    ins = x + y + sample_weights + [1.] 

    /Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in _standardize_user_data(self, x, y, sample_weight, class_weight, check_batch_axis, batch_size) 
    1307          output_shapes, 
    1308          check_batch_axis=False, 
    1309          exception_prefix='target') 
    1310   sample_weights = _standardize_sample_weights(sample_weight, 
    1311              self._feed_output_names) 

    /Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in _standardize_input_data(data, names, shapes, check_batch_axis, exception_prefix) 
     137        ' to have shape ' + str(shapes[i]) + 
     138        ' but got array with shape ' + 
     139        str(array.shape)) 
     140  return arrays 
     141 

     ValueError: Error when checking target: expected dense_12 to have shape (None, 1) but got array with shape (256, 3) 

Jede mögliche Unterstützung - auch in der richtigen Richtung, um mich, würde helfen.

Answer 1

Ich glaube, dass der Fehler von der Tatsache kommt, dass Sie sparse_categorical_crossentropy verwenden.

Dieser Verlust kodiert die Ziele, die Sie während des Trainings (das 'y') als automatisches Ein-Ziel-Ziel codieren. Es erwartet also ein Ziel der Form (256,1), wo Sie nur die Indizes füttern.

Was Sie mit Ihrem Datengenerator füttern, ist bereits codierte Klassen. So füttern Sie (256,3) als Ziele ... Daraus ergibt sich die Fehler:

ValueError: Error when checking target: expected dense_12 to have shape (None, 1) but got array with shape (256, 3) 

Um es zu beheben, versuchen Sie mit ‚categorical_crossentropy‘ als Verlustfunktion. Dieser erwartet die einheiß codierten Vektoren, die der Generator gibt.

Ich hoffe das hilft :-)