为什么要求标签具有其他形状？

Question

你好，我正在尝试获取一个 7 类 数组的输出。但是当我运行我的代码时，它说它希望我的数据输出标签具有 其他形状 。这是我的代码 -

    def make_model(self):
        self.model.add(InceptionV3(include_top=False, 
                                   input_shape=(self.WIDTH, self.HEIGHT, 3), 
                                   weights="imagenet"))
        self.model.add(Dense(7, activation='softmax'))
        self.model.layers[0].trainable = False

我的模型编译和装修部分

    def train(self):
        self.model.compile(optimizer=self.optimizer, loss='mse', metrics=['accuracy'])
        self.model.fit(x=x, y=y, batch_size=64, 
                       validation_split=0.15, shuffle=True, epochs=self.epochs, 
                       callbacks=[self.tensorboard, self.reducelr])

我收到错误 -

File "model.py", line 60, in train
    callbacks=[self.tensorboard, self.reducelr])

ValueError: A target array with shape (23639, 7) was passed for an output of shape (None, 6, 13, 7) while using as loss `mean_squared_error`. This loss expects targets to have the same shape as the output.

现在这里说它期望 (None, 6, 13, 7) 但是我给它贴上了标签 - (23639, 7)

现在我们可以清楚地看到，在self.model.add(Dense(7, activation='softmax'))中我指定了7作为输出类别的数量

这是模型摘要 - 所以有人可以告诉我这里有什么问题吗

顺便说一下，我确实尝试过使用 categorical_crossentropy 看看它是否有所作为，但没有。

如果你想要完整的代码 -

Full Code

Answer 1

问题出在 InceptionV3 的输出中...它 returns 4D 序列，您需要在最终密集层之前降低维度以匹配目标维度 (2D)。您可以使用 Flatten 或 GlobalPooling 层来执行此操作。

如果你的问题是分类问题，我也建议你使用 categorical_crossentropy（如果你有 one-hot 编码标签）或 sparse_categorical_crossentropy（如果你有整数编码标签）。 mse 适用于回归问题

为什么要求标签具有其他形状？

Why is it is asking for labels to have some other shape?

classification

machine-learning

deep-learning

keras

tensorflow