Python 检查目标时出错：将FC层转换为Conv2D

我试图用卷积层替换VGG16网络末端的FC层。下面是我的代码：

model2= Sequential()
model2.add(Conv2D(4096, kernel_size=(8,8), activation="relu"))
model2.add(Conv2D(4096, kernel_size=(1,1), activation="relu"))
model2.add(Conv2D(16, kernel_size=(1,1), activation="softmax"))

model = applications.VGG16(weights='imagenet', include_top=False, input_shape=inputshape)

F2model = Model(inputs=model.input, outputs=model2(model.output))

for layer in F2model.layers[:25]:
   layer.trainable = False

F2model.compile(optimizer=optimizers.Adam(), loss="binary_crossentropy", metrics=["accuracy"])

batch_size = 128
trainsize = 36000
validsize = 12000


F2model.fit_generator(
    train_generator,
    steps_per_epoch=trainsize // batch_size,
    epochs=5,
    validation_data=valid_generator,
    validation_steps=validsize // batch_size,callbacks=[tensorboard_callback])

我使用FC层训练常规网络，运行良好，但当我运行上述操作时，我得到以下错误：

ValueError                                Traceback (most recent call last)in <module>
  4         epochs=5,
  5         validation_data=valid_generator,
  ----> 6         validation_steps=validsize // batch_size,callbacks=[tensorboard_callback])


ValueError: Error when checking target: expected sequential_1 to have 4 dimensions, but got array with shape (32, 16)

---

keras的Functional API更适合解决此类问题：

model = VGG16(weights='imagenet', include_top=False, input_shape=inputshape)
x = model.output
x = Conv2D(4096, kernel_size=(8, 8), activation="relu")(x)
x = Conv2D(4096, kernel_size=(1, 1), activation="relu")(x)
out = Conv2D(16, kernel_size=(1, 1), activation="softmax")(x)

F2model = Model(inputs=model.inputs, outputs=out)


for layer in F2model.layers[:25]:
    layer.trainable = False

此外，我发现您正在将二进制交叉熵与softmax激活一起使用，这可能会导致一些问题：
-使用softmax和分类交叉熵
-使用sigmoid和binary_交叉熵

注意这个模型，使用4096的卷积将使你的参数数量变得非常拥挤

（本例为1.65亿）

编辑 看起来您的问题只来自标签阵列：

• 您的最后一层是卷积层，因此它期望4D阵列具有形状

  （批次大小、高度、宽度、通道）

  ，但您给它的是形状

  （批次大小，16）

• 因此，将最后一层更改为：

out=density（16，activation=“softmax”）（x）

• 或者将标签数组更改为卷积层可以接受

---

发布完整错误Traceback@ShubhamShaswat完成。嘿，很抱歉回复太晚，谢谢你的意见。我运行了你的代码（使用函数API），但是我仍然得到了关于列的相同错误。你能用你的输入/标签形状plz更新你的问题吗？嗨，很抱歉回复晚了。我在致密层的正上方添加了一个扁平层，模型工作了。我真蠢，居然把最后一层做为conv层，非常感谢你。很高兴能帮到你！

train_generator=datagen.flow_from_dataframe(dataframe=traindf,directory="data_final",x_col="path",y_col="label",subset="training",batch_size=32,seed=42,shuffle=True,class_mode="categorical",target_size=(256,256))

valid_generator=datagen.flow_from_dataframe(dataframe=traindf,directory="data_final",x_col="path",y_col="label",subset="validation",batch_size=32,seed=42,shuffle=True,class_mode="categorical",target_size=(256,256))

if K.image_data_format()=="channels_first":
  inputshape=(3,imrows,imcols)
else:
  inputshape=(imrows,imcols,3)

model = VGG16(weights='imagenet', include_top=False, input_shape=inputshape)
x = model.output
x = Conv2D(4096, kernel_size=(8, 8), activation="relu")(x)
x = Conv2D(4096, kernel_size=(1, 1), activation="relu")(x)
out = Conv2D(16, kernel_size=(1, 1), activation="softmax")(x)

F2model = Model(inputs=model.inputs, outputs=out)


for layer in F2model.layers[:25]:
    layer.trainable = False