Numpy 如何设置暹罗网络的图像大小?
我正在开发一个用于人脸识别的暹罗神经网络。图像是RGB通道,大小为224*224。共有2200对训练图像和1000对测试图像 在这个模型的培训过程中,我遇到了这样一个错误: 形状和model.fit代码如下所示:Numpy 如何设置暹罗网络的图像大小?,numpy,keras,conv-neural-network,google-colaboratory,siamese-network,Numpy,Keras,Conv Neural Network,Google Colaboratory,Siamese Network,我正在开发一个用于人脸识别的暹罗神经网络。图像是RGB通道,大小为224*224。共有2200对训练图像和1000对测试图像 在这个模型的培训过程中,我遇到了这样一个错误: 形状和model.fit代码如下所示: #train_nparr_pairs.shape --> (2200,2,224,224,3) #test_nparr_pairs.shape --> (1000,2,224,224,3) #train_labels.shape --> (2200,) #test_
#train_nparr_pairs.shape --> (2200,2,224,224,3)
#test_nparr_pairs.shape --> (1000,2,224,224,3)
#train_labels.shape --> (2200,)
#test_labels.shape --> (1000,)
#BATCH_SIZE 32
#EPOCHS 64
model.fit(np.asarray([train_nparr_pairs[:, 0], train_nparr_pairs[:, 1]]), train_labels[:],
validation_data=(np.asarray([test_nparr_pairs[:, 0], test_nparr_pairs[:, 1]]),
test_labels[:]),batch_size=BATCH_SIZE, epochs=EPOCHS)
神经网络的结构:
from keras.layers import Input,Lambda
from keras import backend as K
from keras.models import Model
from keras.regularizers import l2
IMG_SHAPE=(224,224,3)
BATCH_SIZE=16
EPOCHS=32
def return_siamese_net():
left_input=Input(IMG_SHAPE)
right_input=Input(IMG_SHAPE)
model=Sequential(name="VGG-16")
# First Conv-Pool Layer
model.add(Conv2D(filters=64,kernel_size=(3,3),activation='relu',padding='same',input_shape=IMG_SHAPE,kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=64,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))
# Second Conv-Pool Layer
model.add(Conv2D(filters=128,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=128,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))
#Third Conv-Pool Layer
model.add(Conv2D(filters=256,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=256,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=256,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))
# Fourth Conv-Pool Layer
model.add(Conv2D(filters=512,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=512,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=512,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))
# Fifth Conv-Pool layer
model.add(Conv2D(filters=512,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=512,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(Conv2D(filters=512,kernel_size=(3,3),activation='relu',padding='same',kernel_initializer='glorot_uniform',kernel_regularizer=l2(1e-4)))
model.add(MaxPooling2D(pool_size=(2,2),strides=(2,2)))
#Flatten Layer
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
encoded_l=model(left_input)
encoded_r=model(right_input)
lambda_layer= Lambda(lambda tensors:K.abs(tensors[0]-tensors[1]))
L1_distance = lambda_layer([encoded_l, encoded_r])
prediction = Dense(1,activation='sigmoid')(L1_distance)
siamese_net = Model(inputs=[left_input,right_input],outputs=prediction)
return siamese_net
我知道这与列车和测试numpy阵列的形状有关。我尝试使用“展开dims”和“重塑”来调整尺寸,但错误仍然保持不变。有什么方法可以调试此错误吗?因为错误表明您正在向fit函数传递一个
x
np.ndarray,其中2作为第一维度,而y
np.ndarray,其中2200作为第一维度
在不知道如何构建网络模型的情况下很难回答,但是,假设您的模型采用两个输入,分别对应于两个图像的形状(224224,224,3)
,然后您可以将fit函数作为x
参数传递(如果模型有多个输入):
- 数组列表
- 张量表
- 将输入名称映射到相应数组/张量的dict
model.fit(x=[[train_nparr_pairs[:, 0], train_nparr_pairs[:, 1]]], y=train_labels[:],
validation_data=([[test_nparr_pairs[:, 0], test_nparr_pairs[:, 1]]], test_labels[:]),
batch_size=BATCH_SIZE, epochs=EPOCHS)
我添加了暹罗网络的架构。一定要看一看,然后告诉我你的答案是否正确。是的,正如我所想。将数据以列表形式提供给拟合模型,而不是np.Arrays此答案有效,历元开始运行,但在第一个历元开始时,我的损失为2145874。暹罗网络是正常的还是我应该检查一下?这取决于你是如何编译你的模型的,以及你正在评估的损失函数。如果你使用的是二进制交叉熵损失,那么这个值对我来说真的很奇怪,因为你是如何构建网络的,对于一个输出神经元,我建议使用二进制交叉熵损失函数。否则,您可以查看有关暹罗网络培训的更多详细信息: