在 sklearn 神经网络中使用图像训练 CNN答案

【问题标题】：Training CNN with images in sklearn neural net在 sklearn 神经网络中使用图像训练 CNN
【发布时间】：2017-05-21 06:07:14
【问题描述】：

我正在尝试训练 CNN（Sklearn 神经网络）。我有 4 张 128 x 128 像素的图像。形状 -> (4, 128, 128) 我正在阅读类似的图像 -

in1 = misc.imread('../data/Train_Data/train-1.jpg', mode='L', flatten=True)/255. in2 = misc.imread('../data/Train_Data/train-2.jpg', mode='L', flatten=True)/255. in3 = misc.imread('../data/Train_Data/train-3.jpg', mode='L', flatten=True)/255. in4 = misc.imread('../data/Train_Data/train-4.jpg', mode='L', flatten=True)/255.

然后像这样创建numpy数组 -

X_train = [in1,in2,in3,in4]
X_train = np.array(X_train)

与标签和测试集相同。

然后我正在训练我的 CNN -

nn = Classifier(
    layers=[
        Convolution('Rectifier', channels=12, kernel_shape=(3, 3), border_mode='full'),
        Convolution('Rectifier', channels=8, kernel_shape=(3, 3), border_mode='valid'),
        Layer('Rectifier', units=64),
        Layer('Softmax')],
    learning_rate=0.002,
    valid_size=0.2,
    n_stable=10,
    verbose=True)


nn.fit(X_train, y_train)

它会抛出错误 -

Traceback（最近一次调用最后一次）：文件“/home/zaverichintan/PycharmProjects/WBC_identification/neural/trial.py”，第 91 行，在 nn.fit(X_train, y_train) 文件“/home/zaverichintan/miniconda2/lib/python2.7/site-packages/sknn/mlp.py”，第 383 行，适合 ys = [lb.fit_transform(y[:,i]) for i, lb in enumerate(self.label_binarizers)] 文件“/home/zaverichintan/miniconda2/lib/python2.7/site-packages/sklearn/base.py”，第 494 行，在 fit_transform 返回 self.fit(X, **fit_params).transform(X) 文件“/home/zaverichintan/miniconda2/lib/python2.7/site-packages/sklearn/preprocessing/label.py”，第 335 行，在转换中 sparse_output=self.sparse_output) 文件“/home/zaverichintan/miniconda2/lib/python2.7/site-packages/sklearn/preprocessing/label.py”，第 497 行，位于 label_binarize y = column_or_1d(y) 文件“/home/zaverichintan/miniconda2/lib/python2.7/site-packages/sklearn/utils/validation.py”，第 563 行，在 column_or_1d raise ValueError("bad input shape {0}".format(shape)) ValueError: bad input shape (4, 128)

【问题讨论】：

标签： numpy scipy conv-neural-network

【解决方案1】：

您的in1, in2,....inN 是128x128 的二维数组，您必须将它们全部转换为16384 的一维数组。 in1.shape 应该打印 (16384,) 和 X_train.shape 应该打印 (4,16384)。您可以使用 numpy 数组并应用 [reshape][1] 函数。 https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html

【讨论】：