Python 检查目标时出错：稀疏\u分类\u交叉熵输出形状

我正在尝试使用迁移学习在一组新颖的图像上训练InceptionV3。我遇到了这个问题——这显然与输入和输出维度的不匹配有关（我认为），但我似乎无法确定这个问题）。之前所有关于SO的相关帖子都与VGG16相关（我已经开始工作了）。 这是我的密码：

 from keras.applications.inception_v3 import InceptionV3
 from keras.models import Model
 from keras.layers import Dense, GlobalAveragePooling2D
 from keras.callbacks import ModelCheckpoint, TensorBoard, CSVLogger, Callback
 from keras.optimizers import SGD
 from keras.preprocessing.image import ImageDataGenerator

 base_model = InceptionV3(weights='imagenet', include_top=False)
 x = base_model.output
 x = GlobalAveragePooling2D()(x)
 x = Dense(1024, activation='relu')(x)
 predictions = Dense(3, activation='softmax')(x)
 model = Model(inputs=base_model.input, output=predictions)

 for layer in base_model.layers:
     layer.trainable = False

 model.compile(optimizer=SGD(lr=0.001, momentum=0.9), loss='sparse_categorical_crossentropy')

 train_dir = 'hrct_data/ExtractedHRCTs/Train'
 validation_dir = 'hrct_data/ExtractedHRCTs/Validation'
 nb_train_samples = 21903
 nb_validation_samples = 6000
 epochs = 30
 batch_size = 256

 train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

 validation_datagen = ImageDataGenerator(
    rescale=1./255)

 train_generator = train_datagen.flow_from_directory(
    train_dir, 
    target_size=(512, 512), 
    batch_size=batch_size,
    class_mode="categorical")

 validation_generator = validation_datagen.flow_from_directory(
    validation_dir,
    target_size=(512, 512), 
    batch_size=batch_size,
    class_mode="categorical")


 model.fit_generator(
    train_generator,
    steps_per_epoch=21903 // batch_size,
    epochs=30,
    validation_data=validation_generator,
    validation_steps=6000 // batch_size)

 model.save_weights('hrct_inception.h5')

下面是错误：

---------------------------------------------------------------------------
 ValueError                                Traceback (most recent call last)
 <ipython-input-89-f79a107413cd> in <module>()
     4         epochs=30,
     5         validation_data=validation_generator,
     6         validation_steps=6000 // batch_size)
     7 model.save_weights('hrct_inception.h5')

 /Users/simonalice/anaconda/lib/python3.5/site-packages/keras/legacy/interfaces.py in wrapper(*args, **kwargs)
     86                 warnings.warn('Update your `' + object_name +
     87                               '` call to the Keras 2 API: ' + signature, stacklevel=2)
     88             return func(*args, **kwargs)
     89         wrapper._legacy_support_signature = inspect.getargspec(func)
     90         return wrapper

 /Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in fit_generator(self, generator, steps_per_epoch, epochs, verbose, callbacks, validation_data, validation_steps, class_weight, max_q_size, workers, pickle_safe, initial_epoch)
     1888                     outs = self.train_on_batch(x, y,
     1889                                                
     sample_weight=sample_weight,
     1890                                                class_weight=class_weight)
     1891 
     1892                     if not isinstance(outs, list):

 /Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in train_on_batch(self, x, y, sample_weight, class_weight)
     1625             sample_weight=sample_weight,
     1626             class_weight=class_weight,
     1627             check_batch_axis=True)
     1628         if self.uses_learning_phase and not 
                isinstance(K.learning_phase(), int):
     1629             ins = x + y + sample_weights + [1.]

  /Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in _standardize_user_data(self, x, y, sample_weight, class_weight, check_batch_axis, batch_size)
     1307                                     output_shapes,
     1308                                     check_batch_axis=False,
     1309                                     exception_prefix='target')
     1310         sample_weights = _standardize_sample_weights(sample_weight,
     1311                                                      self._feed_output_names)

  /Users/simonalice/anaconda/lib/python3.5/site-packages/keras/engine/training.py in _standardize_input_data(data, names, shapes, check_batch_axis, exception_prefix)
      137                             ' to have shape ' + str(shapes[i]) +
      138                             ' but got array with shape ' +
      139                             str(array.shape))
      140     return arrays
      141 

      ValueError: Error when checking target: expected dense_12 to have shape (None, 1) but got array with shape (256, 3)

---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
4个时代=30，
5验证数据=验证生成器，
6个验证步骤=6000//批量大小）
7型号。保存重量（'hrct_inception.h5'）
/包装器中的Users/simonance/anaconda/lib/python3.5/site-packages/keras/legacy/interfaces.py（*args，**kwargs）
86警告。警告（'更新您的`+对象\u名称+
87'`对Keras 2 API的调用：'+签名，stacklevel=2）
88返回函数（*args，**kwargs）
89包装器。_legacy_support_signature=inspect.getargspec（func）
90返回包装器
/用户/Simonance/anaconda/lib/python3.5/site-packages/keras/engine/training.py-in-fit\u生成器（self、生成器、每个历元的步骤、历元、冗余、回调、验证数据、验证步骤、类权重、最大大小、工人、pickle\u-safe、初始历元）
1888 outs=批量（x，y，
1889
样品重量=样品重量，
1890级重量=级重量）
1891
1892如果不存在（输出，列表）：
/用户/Simonance/anaconda/lib/python3.5/site-packages/keras/engine/training.py批量生产（自身、x、y、样品重量、等级重量）
1625样品重量=样品重量，
1626等级重量=等级重量，
1627检查（批次轴=真）
1628如果self.used\u learning\u阶段
isinstance（K.learning_phase（），int）：
1629英寸=x+y+样本重量+1。]
/用户/Simonance/anaconda/lib/python3.5/site-packages/keras/engine/training.py标准化用户数据（自身、x、y、样本重量、类别重量、检查批次轴、批次大小）
1307个输出_形，
1308检查批次轴=错误，
1309异常（前缀=”目标“）
1310样本权重=\u标准化样本权重（样本权重，
1311自身（输入输出名称）
/用户/Simonance/anaconda/lib/python3.5/site-packages/keras/engine/training.py输入数据（数据、名称、形状、检查批处理轴、异常前缀）
137'具有形状'+str（形状[i]）+
138'但有形状的数组'+
139 str（数组形状））
140返回阵列
141
ValueError:检查目标时出错：预期密集_12具有形状（无，1），但获得具有形状（256，3）的数组

---

任何帮助——即使是让我走上正确的方向，都会有所帮助

我相信这个错误是因为您使用了

sparse\u category\u crossentropy

这种丢失是将您在训练期间馈送的目标（“y”）自动编码为一个热编码目标。因此，它期望的目标是shape

（256,1）

，其中您只提供索引

数据生成器提供的内容已经编码为类。所以你把

（256,3）

作为目标。。。因此出现了错误：

若要修复此问题，请尝试使用“

categorical\u crossentropy

”作为损失函数。这一个期望的是生成器给出的热编码向量

---

我希望这有帮助：-）

请内联发布代码和错误，而不是作为截图发布。这使得帮助您变得非常麻烦。这里是……这里是解决方案：

ValueError: Error when checking target: expected dense_12 to have shape (None, 1) but got array with shape (256, 3)