Python 完全连接层输出值错误

我正在做一个青光眼检测CNN，我得到以下错误

ValueError:检查目标时出错：预期激活_1具有形状（2，），但在最终密集层（1除外）处获得具有形状（1，）的数组。

。因为分类的数量是2，我需要在激活函数之前给出稠密（2）。但是，每当我使用Dense（1）运行代码时，我都会获得很好的准确性，但在测试过程中，所有内容都预计来自同一个类。如何在不将密集层更改回密集层（1）的情况下解决此错误

代码如下：

img_width, img_height = 256, 256
input_shape = (img_width, img_height, 3)

train_data_dir = "data/train"
validation_data_dir = "data/validation"
nb_train_samples = 500
nb_validation_samples = 50
batch_size = 10
epochs = 10

model = Sequential()

model.add(Conv2D(3, (11, 11), activation='relu', input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))

model.add(Conv2D(96, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Dropout(0.5))
model.add(Conv2D(192, (3, 3)))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Dropout(0.5))
model.add(Conv2D(192, (3, 3)))

model.add(Flatten())
model.add(Dense(2))
model.add(Activation('softmax'))

model.summary()
model.compile(loss="binary_crossentropy", optimizer=optimizers.Adam(lr=0.001, beta_1=0.9,
                                                                    beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False), metrics=["accuracy"])


# Initiate the train and test generators with data Augumentation
train_datagen = ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
    rotation_range=30)

test_datagen = ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
    rotation_range=30)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode="binary")

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_height, img_width),
    class_mode="binary")


model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size

)

model.save('f1.h5')

---

任何帮助都将不胜感激

这是因为您在图像生成器中指定了

class\u mode='binary'

，这意味着两个类将被编码为0或1，而不是[1,0]或[0,1]。通过将最后一层更改为：

model.add(Dense(1, activation='sigmoid'))
# No need for softmax activation
model.compile(loss='binary_crossentropy', ...)

---

0-1上的二进制交叉熵在数学上等同于具有交叉熵的2类softmax，因此您可以实现相同的效果。

您无需更改任何内容。您需要

n-1

输出来预测

n

类。因此，对于二进制分类问题，只需一个输出即可。如果你开始研究多类问题，你需要研究一种热编码或类似的东西。谢谢！但是所有的东西都被预测为一个单一的类。知道是什么原因吗？非常感谢！我对你的建议非常准确。但是在测试过程中，所有的图像都被预测来自同一个类。你知道是什么原因造成的吗？看不出模型有问题，它通常与数据有关，仔细检查你的目标，一个类的例子比另一个多吗，验证的准确度是多少？我得到的最终准确度是，损失：0.0903-acc:0.8750-val_损失：0.1815-val_acc:0.8889这些类的图像数量几乎相等。但我同意这两个类看起来非常相似，因为它们都是眼底图像（光盘图像）