Python 如何在tensorflow中使用夹带自动编码器模型计算新图像的分数以进行异常检测？

我是tensorflow的初学者，我正在尝试为图像创建一个简单的自动编码器来检测异常。首先，我使用dogs图像创建了一个简单的自动编码器，现在我想用这个模型来重建我的测试图像，并使用一些度量来比较结果。那么我如何在tensorflow上做到这一点（因为我是tensorflow的初学者） （我发现在数字数据集和MNIST数据集上实现了相同的想法）。 这是我的代码：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.callbacks import LearningRateScheduler

BATCH_SIZE = 256
EPOCHS = 2
train_datagen = ImageDataGenerator(rescale=1./255)
train_batches = train_datagen.flow_from_directory('C:/MyPath/PetImages1',
    target_size=(64,64), shuffle=True, class_mode='input', batch_size=BATCH_SIZE)




input_img = Input(shape=(64, 64, 3)) 

x = Conv2D(48, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(96, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(192, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
 encoded = Conv2D(32, (1, 1), activation='relu', padding='same')(x)


 latentSize = (8,8,32)


 # DECODER
 direct_input = Input(shape=latentSize)
 x = Conv2D(192, (1, 1), activation='relu', padding='same')(direct_input)
 x = UpSampling2D((2, 2))(x)
 x = Conv2D(192, (3, 3), activation='relu', padding='same')(x)
 x = UpSampling2D((2, 2))(x)
 x = Conv2D(96, (3, 3), activation='relu', padding='same')(x)
 x = UpSampling2D((2, 2))(x)
 x = Conv2D(48, (3, 3), activation='relu', padding='same')(x)
 decoded = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x)
# COMPILE

encoder = Model(input_img, encoded)
decoder = Model(direct_input, decoded)
autoencoder = Model(input_img, decoder(encoded))

autoencoder.compile(optimizer='Adam', loss='binary_crossentropy')
autoencoder.save_weights('autoencoder_DogsAuto.h5')
history=autoencoder.fit_generator(train_batches,steps_per_epoch=10,epochs = 
 EPOCHS)

#Images for tests
 testGene = train_datagen.flow_from_directory('C:/PetImages/',
    target_size=(64,64), shuffle=True, class_mode='input', 
  batch_size=BATCH_SIZE)

  restored = autoencoder.predict_generator(testGene, 
 steps=testGene.n/BATCH_SIZE)

 image_height=64
 image_width=64
 image_channels=3



 x_train = np.zeros((0, image_height, image_width, image_channels), dtype=float)
for x, _ in train_batches :
    if train_batches.total_batches_seen > train_batches.n/BATCH_SIZE:
        break
   else:
       x_train = np.r_[x_train,x]
pred=autoencoder.predict(train_batches, steps=train_batches.n/BATCH_SIZE)
from sklearn import metrics


score1=np.sqrt(metrics.mean_squared_error(pred,x_train ))
print(score1)

我得到了这个错误：

回溯（最近一次呼叫最后一次）： 文件“c:\autoencoder\u anotional.py”，第196行，在 分数1=np.sqrt（度量平均平方误差（pred，x列）） 文件“C:\Users\AppData\Local\Programs\Python\36\lib\site packages\sklearn\metrics\u regression.py”，第252行，均方误差 y_true，y_pred，多输出） 文件“C:\Users\AppData\Local\Programs\Python\36\lib\site packages\sklearn\metrics\u regression.py”，第84行，在检查注册目标中 检查长度是否一致（y\U true，y\U pred）

ValueError:找到样本数不一致的输入变量：[6，0] 请注意，我只使用了6个图像。

---

那么，如何使用tensorflow上的度量和自动编码器模型计算重建图像的误差呢？

这仅仅是因为形状不匹配

当计算均方误差时，它会计算基本真值和估计值的元素误差。因此，

pred.shape

和

train\u batches.shape

应该相等。检查输入数据形状，确保它们相等

步骤1： 从生成器中获取所有训练图像并添加到一个阵列中

x_test = np.zeros((0, image_height, image_width, image_color), dtype=float)
for x, _ in testGene:
    if testGene.total_batches_seen > testGene.n/BATCH_SIZE:
        break
    else:
        x_test = np.r_[x_test , x]

步骤2：预测

pred=autoencoder.predict(testGene, steps=testGene.n/BATCH_SIZE)

步骤3：计算差值

score1=np.sqrt(metrics.mean_squared_error(pred,testGene))

---

你在哪一行得到这个错误？你能提供完整的堆栈跟踪吗？pred的形状是（2，64，64，3），当我尝试检查列批的形状时，我得到了以下错误：AttributeError:'DirectoryIterator'对象没有属性形状。我的inputdata:input_img=input（shape=（64,64,3））。那么我该如何计算分数呢？@Myra我已经更新了答案，仔细检查了每一步谢谢，但是我得到了这个错误：ValueError：找到了样本数不一致的输入变量：[6，0]你能发布完整的跟踪吗。错误的确切位置检查更新的答案，问题是您正在使用testGene生成器进行预测，并尝试获得预测图像（6）和训练图像的差异。因此大小是不同的