0

我想创建一个神经网络，它——简单地说——从图像（灰度）中创建一个图像我已经成功创建了一个包含 3200 个输入和输出（标签）图像示例的数据集。（我知道数据集应该更大，但这不是现在的问题）

输入 [Xin] 的大小为 (3200, 50, 30)，因为它是 50*30 像素 输出 [yout] 的大小是 (3200, 30, 20)，因为它是 30*20 像素

我想尝试一个全连接网络（稍后在 CNN 上） 全连接模型的构建如下所示：

# 5 Create Model
model = tf.keras.models.Sequential()                                
model.add(tf.keras.layers.Flatten())                                
model.add(tf.keras.layers.Dense(256, activation=tf.nn.relu))        
model.add(tf.keras.layers.Dense(30*20, activation=tf.nn.relu))    


#compile the model
model.compile(optimizer='adam',                                    
              loss='sparse_categorical_crossentropy',               
              metrics=['accuracy'])                                 

# 6 Train the model
model.fit(Xin, yout, epochs=1)                                      #train the model

之后，我收到以下错误：

ValueError：形状不匹配：标签的形状（收到的 (19200,)）应该等于 logits 的形状，除了最后一个维度（收到的 (32, 600)）。

我已经尝试过让你变平：

youtflat = yout.transpose(1,0,2).reshape(-1,yout.shape[1]*yout.shape[2])

但这导致了同样的错误

4

1 回答 1

0

看来您正在完全压平标签（yout），即您正在丢失批次尺寸。如果你原来的你的形状是你应该重塑它的形状等于：(3200, 30, 20)(3200, 30*20)(3200, 600)

yout = numpy.reshape((3200, 600))

然后它应该工作

注意 但是建议的修复只消除了错误。我看到你的方法有很多问题。对于您尝试执行的任务（获取图像作为输出），您不能将sparse_categorical_crossentropy其用作损失和accuracy指标。您应该改用“mse”或“mae”。

于 2020-03-22T11:51:56.813 回答