Keras ValueError：ValueError：检查目标时出错：预期dense_4具有形状（None，2）但得到形状为（2592，1）Python3的数组

Question

我在尝试在 Keras 2.0.8、Python 3.6.1 和 Tensorflow 后端训练模型时遇到问题。

错误信息：

ValueError: 检查目标时出错：预期 dense_4 的形状为 (None, 2) 但得到的数组的形状为 (2592, 1)

X_train = numpy.swapaxes(X_train, 1, 3)
X_test = numpy.swapaxes(X_test, 1, 3)

print("X_train shape: ") --> size = (2592, 1, 1366, 96)
print("-----")
print("X_test shape") --> size = (648, 1, 1366, 96)
print("-----")
print(Y_train.shape) --> size = (2592,)
print("-----")
print("Y_test shape") --> size = (648,)

相关代码sn-ps：

K.set_image_dim_ordering('th')
K.set_image_data_format('channels_first')

def create_model(weights_path=None):
    model = Sequential()
    model.add(Conv2D(32, kernel_size=(3, 3),activation='relu', padding="same", input_shape=(1, 1366, 96)))
    model.add(Conv2D(64, (3, 3), activation='relu', dim_ordering="th"))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dropout(0.1))
    model.add(Dense(64, activation='relu'))
    model.add(Dropout(0.1))
    model.add(Dense(16, activation='relu'))
    model.add(Dense(2, activation='softmax'))
    if weights_path:
        model.load_weights(weights_path)
    return model

model = create_model()
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.SGD(lr=0.01),
              metrics=['accuracy'])
history = model.fit(X_train, Y_train,
      batch_size=32,
      epochs=100,
      verbose=1,
      validation_data=(X_test, Y_test))

第 142 行，我调用 model.fit() 是我收到此错误的地方

我已尝试解决此错误 引用了这些堆栈溢出帖子：

我尝试使用以下代码重塑 Y_test 和 Y_train numpy 数组：

Y_train.reshape(2592, 2)
Y_test.reshape(648, 2)

但是，我收到以下错误：

ValueError: 无法将大小为 2592 的数组重新整形为 (2592,2)

Answer 1

当您使用 categorical_crossentropy 损失时，您必须使用 one-hot 编码标签。为此，您可以使用来自keras.utils.np_utils 的函数to_categorical

from keras.utils import np_utils
y_train_onehot = np_utils.to_categorical(y_train)
y_test_onehot = np_utils.to_categorical(y_test)

然后使用 one-hot 编码标签来训练您的模型。

Answer 2

在我看来你需要改变神经网络的最后一层：

def create_model(weights_path=None):
    model = Sequential()
    model.add(Conv2D(32, kernel_size=(3, 3),activation='relu', padding="same", input_shape=(1, 1366, 96)))
    model.add(Conv2D(64, (3, 3), activation='relu', dim_ordering="th"))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dropout(0.1))
    model.add(Dense(64, activation='relu'))
    model.add(Dropout(0.1))
    model.add(Dense(16, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    if weights_path:
        model.load_weights(weights_path)
    return model