Python 为什么keras模型要编译,而fit#u生成器命令抛出一个';模型未编译运行时错误';?
我用tensorflow后端在keras中建立了一个自定义CNN,带有K折叠交叉验证。 在开始培训之前调用model.compile()函数,但是model.fit_generator()函数调用会导致运行时错误:“必须在使用模型之前编译模型。” 我使用ImageDataGenerator进行数据扩充,并使用fit_generator函数进行培训 到目前为止,我发现的唯一相关问题与tensorflow特性有关,该特性在Keras中似乎没有启用 代码如下: 模型定义:Python 为什么keras模型要编译,而fit#u生成器命令抛出一个';模型未编译运行时错误';?,python,tensorflow,keras,deep-learning,Python,Tensorflow,Keras,Deep Learning,我用tensorflow后端在keras中建立了一个自定义CNN,带有K折叠交叉验证。 在开始培训之前调用model.compile()函数,但是model.fit_generator()函数调用会导致运行时错误:“必须在使用模型之前编译模型。” 我使用ImageDataGenerator进行数据扩充,并使用fit_generator函数进行培训 到目前为止,我发现的唯一相关问题与tensorflow特性有关,该特性在Keras中似乎没有启用 代码如下: 模型定义: model = Sequen
model = Sequential()
model.add(Conv2D(24, (5, 5),
strides=(1, 1),
padding="valid",
data_format="channels_last",
activation='relu',
use_bias=True,
))#out=96
model.add(Dropout(.25))
model.add(MaxPooling2D(pool_size=(2, 2)))#out=48
model.add(Conv2D(32, (3, 3),
strides=(1, 1),
padding="valid",
data_format="channels_last",
activation='relu',
use_bias=True,
))#out=46
model.add(MaxPooling2D(pool_size=(2, 2)))#out=23
model.add(Conv2D(48, (3, 3),
strides=(1, 1),
padding="valid",
data_format="channels_last",
activation='relu',
use_bias=True,
))#out=21
model.add(MaxPooling2D(pool_size=(2, 2)))#padding???
model.add(Flatten())
model.add(Dense(3, activation='softmax'))
…这是数据初始化
设置图像生成器:
datagen_training = ImageDataGenerator(
rotation_range = 20,
width_shift_range = 0.3,
height_shift_range=0.3,
zoom_range=0.2,
fill_mode = "constant",
cval = 0,
vertical_flip = True,
validation_split = 0.2
)
datagen_training.fit(data)
模型设置和培训:
rmsprop = optimizers.RMSprop(lr=0.001)#docu says to only tune the learning rate
kf = KFold(n_splits=FOLDS, shuffle = True, random_state=78945)
model.compile(rmsprop, loss = losses.categorical_crossentropy, metrics=[metrics.categorical_accuracy])
acc_hist = []
while True:
history = object()
for train_idx, val_idx in kf.split(data, labels):
x_train, y_train = data[train_idx], labels[train_idx]
x_val, y_val = data[val_idx], labels[val_idx]
data_iterator = datagen_training.flow(x_train, y_train, batch_size=BATCH_SIZE)
history = model.fit_generator(data_iterator, steps_per_epoch=len(x_train) // BATCH_SIZE, epochs=1)
acc_hist.append(history.history['categorical_accuracy'][0])
#stop if accuracy doesn't change within 3 epochs
if stopping_criterion_met:
break
模型没有编译是因为它没有被构建,也没有被构建是因为没有在第一层中指定
input\u shape
。我不确定数据的输入形状,但对于第一层来说,类似这样的东西将使模型得以编译:
model = Sequential()
model.add(Conv2D(24, (5, 5),
strides=(1, 1),
padding="valid",
data_format="channels_last",
activation='relu',
use_bias=True,
input_shape=(100,100,1)
))#out=96