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Python 完全连接层输出值错误,python,machine-learning,keras,deep-learning,Python,Machine Learning,Keras,Deep Learning,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 = (
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)