为使用 Keras Sequential API 构建的小型 CNN 格式化训练数据和标签

Question

我正在研究一个简单的卷积神经网络 (CNN) 来执行分类。该网络的目标是将 224 x 256 标量数组分类为三种不同离散状态之一。这些数组中的每个值都代表从the Nintaco emulator 中提取的整数像素值。

我有一个相当简单的模型，构造如下：

from sklearn.model_selection import train_test_split
from tensorflow.keras import layers, models
import numpy as np

model = models.Sequential()
model.add(layers.Conv2D(32, 16, strides=8, activation='relu', input_shape=(224, 256, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(3, activation='softmax'))
model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])

data_points = [
    [33, 15, ... 25, 16]
    [33, 15, ... 25, 16]
    ...
    [33, 15, ... 25, 16]
    [33, 15, ... 25, 16]
]
labels = [[0.1, 0.2, 0.3] for i in range(len(data_points))]
train_set, test_set, train_labels, test_labels = train_test_split(data_points, labels)

train_labels = np.expand_dims(train_labels, -1)
test_labels = np.expand_dims(test_labels, -1)

model.fit(
        training_set,
        training_labels,
        epochs=10,
        validation_data=(testing_set, testing_labels)
    )

尝试适应这会导致失败并出现以下错误： InvalidArgumentError: logits and labels must have the same first dimension, got logits shape [32,3] and labels shape [96] [[{{node loss/dense_1_loss/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits}}]]

我很清楚我为这个函数构造了不正确的标签数据，但我不确定它应该如何正确格式化。

目前，我只专注于让 fit 功能发挥作用；我对网络的功效或构造完全漠不关心（尽管如果有人发现我的总体方法有任何缺陷，请毫不犹豫地提出它们）。

如何正确格式化训练数据的标签？

Answer 1

问题可能在于您的损失函数和标签的形状 对于sparse_categorical_crossentropy，标签应该是一维向量。

查看training_labels.shape