时间戳

首页 > 解决方案 > 处理分割任务时，keras 中的度量“准确性”会抛出错误“不兼容的形状”

keras - 处理分割任务时，keras 中的度量“准确性”会抛出错误“不兼容的形状”

问题描述

我使用 Keras 来处理分割任务。
地面实况图是二值图像，注意黑色代表背景，白色代表物体。
所以我在 Keras 中使用数据生成器如下，在此之前我将值 0 设置为背景像素，将值 1 设置为对象： 

train_label_datagen = ImageDataGenerator(
    horizontal_flip= True,
)
train_label_generaror = train_label_datagen.flow_from_directory(
    directory=os.path.join(FLAGS.dataset_dir, FLAGS.cropped_dir, "training",
                           FLAGS.labels_folder_name),
    target_size=(FLAGS.resize_size, FLAGS.resize_size),
    class_mode= None, 
    color_mode= 'grayscale',
    batch_size= FLAGS.batch_size,
    seed = FLAGS.seed,
    shuffle= False
)

和 model.compile 函数细节是这样的：

sgd = SGD(lr= FLAGS.lr, decay=FLAGS.decay, momentum=FLAGS.momentum, 
          nesterov=True)
model.compile(optimizer= sgd,
              loss = losses.sparse_categorical_crossentropy,
              metrics=['acc', miou])

model.output 是一个概率图。
我的问题是：当我训练模型时出现错误 

tensorflow.python.framework.errors_impl.InvalidArgumentError: Incompatible shapes: [602112] vs. [12,224,224]
 [[Node: metrics/acc/Equal = Equal[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:GPU:0"](metrics/acc/Reshape, metrics/acc/Cast)]]
 [[Node: metrics/miou/confusion_matrix/assert_non_negative_1/assert_less_equal/Assert/AssertGuard/Assert/Switch_1/_167 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_544_m...t/Switch_1", tensor_type=DT_INT64, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

我尝试将损失更改为“binary_crossentropy”并将 output.activation 更改为“sigmoid”，然后它就可以工作了。
所以我想知道是什么导致了这个错误。

标签： kerasdeep-learningdataset

解决方案

通过尝试不同的方法和分析混淆矩阵，我已经解决了这个问题。
代码如下： 

import keras.backend as K
from tensorflow.contrib.metrics import confusion_matrix
def custom_accuracy(y_true, y_pred, nb_classes):
    class_labels= K.reshape(y_true, shape=[-1])
    class_pred = K.resshape(y_pred, axis= -1)
    class_pred = K.reshape(class_pred, shape=[-1])

    confusion_matrix = confusion_matrix(labels= class_labels,
                                        prediction= class_pred,
                                        num_classes= nb_classes)
    TP = 0
    all = 0
    for class_index in range(0, nb_classes):
        TP += confusion_matrix[class_index, class_index]
        all += confusion_matrix[class_index]

    return K.sum(TP) / K.sum(all)

通过定制的准确度指标，它可以工作。

推荐阅读