ValueError：检查目标时出错：预期 fc1000 的形状为 (30,) 但得到的数组的形状为 (1,)答案

【问题标题】：ValueError: Error when checking target: expected fc1000 to have shape (30,) but got array with shape (1,)ValueError：检查目标时出错：预期 fc1000 的形状为 (30,) 但得到的数组的形状为 (1,)
【发布时间】：2018-12-31 00:32:05
【问题描述】：

我试图重新训练 ResNet50 模型，以将给定的动物图像分类为 30 个不同的类别。为此，我制作了一个列表，其中包含给定维度图像的数组（在扩展维度并对其进行预处理之后）：-（1、224、224、3），因此给定列表的形状（在将其转换为 numpy 数组之后）是(300, 1, 224, 224, 3)，因为最初我只拍了 300 张图像。对于 Ytrain，我对类进行了标签编码，然后对类进行了热编码。对于 30 个类，我有一个维度为 (300, 30) 的 numpy 数组。然后我为model.fit_generator使用DataGenerator，传递形状为（1、224、224、3）的Xtrain和形状为（30，）的Ytrain，但得到了错误：-

ValueError: Error when checking target: expected fc1000 to have shape (30,) but got array with shape (1,)

这是我的代码：-

inputShape = (224, 224)
preprocess = imagenet_utils.preprocess_input

df = pd.read_csv('DLBeginner/meta-data/train.csv')
df = df.head(300)
imagesData, target = [], []
c = 0

for images in df['Image_id']:
filename = args["target"] + '/' + images
image = load_img(filename, target_size = inputShape)
image = img_to_array(image)
image = np.expand_dims(image, axis = 0)
image = preprocess(image)
imagesData.append(image)
c += 1
print('Count = {}, Image > {} '.format(c, images))

imagesData = np.array(imagesData)
labelEncoder = LabelEncoder()
series = df['Animal'][0:300]
integerEncoded = labelEncoder.fit_transform(series)
Hot = OneHotEncoder(sparse = False)
integerEncoded = integerEncoded.reshape(len(integerEncoded), 1)
oneHot = Hot.fit_transform(integerEncoded)

model = ResNet50(include_top = True, classes = 30, weights = None)

model.compile(optimizer = 'Adam', loss='categorical_crossentropy', metrics = ['accuracy'])

l = len(imagesData)
def DataGenerator(Xtrain, Ytrain):
while(True):
    for i in range(l):
        arr1 = Xtrain[i]
        arr2 = Ytrain[i]
        print("arr1.shape : {}".format(arr1.shape))
        print("arr2.shape : {}".format(arr2.shape))
        yield(arr1, arr2)

这里是“合适的部分”

generator = DataGenerator(imagesData, oneHot)

model.fit_generator(generator = generator, epochs = 5, steps_per_epoch=l)

我哪里错了？提前致谢。

【问题讨论】：

标签： python-3.x keras deep-learning conv-neural-network

【解决方案1】：

从 'categorical_crossentropy' 切换到 'sparse_categorical_crossentropy' 为我解决了这个问题。

【讨论】：

【解决方案2】：

只是想添加更多细节。

当您遇到多类分类问题并且 (1) 如果您的目标是单热编码，则使用categorical_crossentropy (2) 如果您的目标是 MNIST 示例中的整数，请使用 sparse_categorical_crossentropy。当你使用这个引擎盖下的 TensorFlow 时，它会将数据转换为 one-hot 编码并对数据进行分类。

希望对您有所帮助。谢谢！

【讨论】：