时间戳

首页 > 解决方案 > 在 keras ImageDataGenerator.flow() 中使用多输出标签并使用 model.fit_generator()

python - 在 keras ImageDataGenerator.flow() 中使用多输出标签并使用 model.fit_generator()

问题描述

我有一个单输入多输出神经网络模型，其最后一层是

out1 = Dense(168, activation = 'softmax')(dense)
out2 = Dense(11, activation = 'softmax')(dense)
out3 = Dense(7, activation = 'softmax')(dense)

model = Model(inputs=inputs, outputs=[out1,out2,out3])

每个图像的 Y 标签如下

train
>>

              image_id    class_1   class_2  class_3    

0              Train_0         15         9        5    
1              Train_1        159         0        0
...
...
...
453651    Train_453651          0        15       34
453652    Train_453652         18         0        7

编辑：-

train.iloc[:,1:4].nunique()
>>
class_1        168
class_2         11
class_3          7
dtype: int64

所以看看这些不同范围的类，我应该使用categorical_crossentropyorsparse_categorical_crossentropy吗？以及我应该如何Y_labels为下面给出的代码使用流入？

imgs_arr = df.iloc[:,1:].values.reshape(df.shape[0],137,236,1)
# 32332 columns representing pixels of 137*236 and single channel images.
# converting it to (samples,w,h,c) format

Y = train.iloc[:,1:].values #need help from here

image_data_gen = ImageDataGenerator(validation_split=0.25)
train_gen = image_data_gen.flow(x=imgs_arr, y=Y, batch_size=32,subset='training')
valid_gen = image_data_gen.flow(x=imgs_arr,y=Y,subset='validation')

这是通过Y或使用Y=[y1,y2,y3]where的正确方法吗

y1=train.iloc[:,1].values
y2=train.iloc[:,2].values
y3=train.iloc[:,3].values

标签： pythonkerasneural-networkconv-neural-network

解决方案

哎哟....

根据您给出的消息flow，您将需要一个输出。因此，您需要在模型内部进行分离。（Keras 没有遵循自己的标准）

这意味着类似：

Y = train.iloc[:,1:].values #shape = (50210, 3)

使用单个输出，例如：

out = Dense(168+11+7, activation='linear')(dense)

还有一个处理分离的损失函数：

def custom_loss(y_true, y_pred):
    true1 = y_true[:,0:1]
    true2 = y_true[:,1:2]
    true3 = y_true[:,2:3]

    out1 = y_pred[:,0:168]
    out2 = y_pred[:,168:168+11]
    out3 = y_pred[:,168+11:]

    out1 = K.softmax(out1, axis=-1)
    out2 = K.softmax(out2, axis=-1)
    out3 = K.softmax(out3, axis=-1)

    loss1 = K.sparse_categorical_crossentropy(true1, out1, from_logits=False, axis=-1)
    loss2 = K.sparse_categorical_crossentropy(true2, out2, from_logits=False, axis=-1)
    loss3 = K.sparse_categorical_crossentropy(true3, out3, from_logits=False, axis=-1)

    return loss1+loss2+loss3

用 编译模型loss=custom_loss。

那么flow当你这样做时应该停止抱怨flow。

只需确保 X 和 Y 的顺序完全相同：正确imgs_arr[i]对应Y[i]。

推荐阅读