时间戳

首页 > 解决方案 > 检查目标时出错：预期 dense_34 有 2 个维度，但得到的数组形状为 (64, 10, 2)

keras - 检查目标时出错：预期 dense_34 有 2 个维度，但得到的数组形状为 (64, 10, 2)

问题描述

我看到已经回答了类似的问题，这帮助我意识到输入不是模型所期望的，但我无法找到如何纠正这个问题。

我的问题是为什么它需要二维，我可以对我的代码做些什么来使这项工作分为 10 个不同的类？

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
Import Libraries Section
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
from keras.datasets import fashion_mnist
from keras import models
from keras import layers
from keras.utils import to_categorical
from keras.preprocessing.image import ImageDataGenerator

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
Load Data Section
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() 

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
Parameters Section
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
train_number_images = train_images.shape[0]
test_number_images = test_images.shape[0]
train_x_image_size = train_images.shape[1]
train_y_image_size = train_images.shape[2]
test_x_image_size = test_images.shape[1]
test_y_image_size = test_images.shape[2]

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
Pretreat Data Section
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
train_images = train_images.reshape((train_number_images, train_x_image_size , train_y_image_size, 1))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((test_number_images, test_x_image_size , test_y_image_size, 1))
test_images = test_images.astype('float32') / 255

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

gen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
Define Model Section
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
model2 = models.Sequential()
model2.add(layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)))
model2.add(layers.MaxPooling2D((2,2)))
model2.add(layers.Conv2D(64, (3,3), activation='relu'))
model2.add(layers.MaxPooling2D((2,2)))
model2.add(layers.Conv2D(64, (3,3), activation='relu'))
model2.add(layers.MaxPooling2D((2,2)))
model2.add(layers.Flatten())
model2.add(layers.Dense(64, activation='relu'))
model2.add(layers.Dense(10, activation='sigmoid'))
model2.compile(optimizer='adam', 
               loss='categorical_crossentropy',
               metrics=['accuracy'])

history2 = model2.fit_generator(gen.flow(train_images, train_labels, 64), epochs=15,
                                steps_per_epoch=len(train_images) // 64)

标签： kerasconv-neural-networkdata-augmentation

解决方案

这是一个多类分类问题，因此您的输出层应该使用 softmax 而不是 sigmoid。尝试将activation='sigmoid'输出层更改为activation='softmax'.

在这里查看有关多类与多标签分类的更多信息，以及它们相应的激活和损失函数。

您还通过除以 255 以及设置rescale=1./255为ImageDataGenerator. 您可能应该只重新调整比例。

数据的重塑是不对的。像这样的东西

train_images.reshape(-1,img_width, img_height,img_channels) 其中 img_width 和 img_height 为 28，而 img_channels 为 1 应该可以工作。

推荐阅读