ValueError：检查目标时出错：预期dense_2的形状为（None，2），但数组的形状为（1, 1）

Question

您好，我是 Keras 的新手，使用后端 tensorflow。我已经建立了两个可能类别的训练和验证图像集；我的网络必须以是或否两个类结束。我使用 ImageDatagenerator 从文件夹中读取图像并准备训练和验证集。最后，我得到了标题中描述的问题。我的猜测是 ImageDatagenerator 没有按照我的意愿准备数据；任何人都可以向我解释如何解决它，这是代码（谢谢）：

# Data Preparation
# dimensions of our images.
img_width, img_height = 256, 256

#top_model_weights_path = 'bottleneck_fc_model.h5'
train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
nb_train_samples = 2
nb_validation_samples = 2
epochs = 50
batch_size = 1
num_classes = 2

# prepare data augmentation configuration
train_datagen = ImageDataGenerator(
                                   rescale=1. / 255,
                                   shear_range=0.2,
                                   zoom_range=0.2,
                                   data_format=K.image_data_format(),
                                   horizontal_flip=True)

test_datagen = ImageDataGenerator(
                                  rescale=1. / 255,
                                  data_format=K.image_data_format())

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),
                                                        batch_size=batch_size,
                                                        class_mode='binary')

# create the CNN model
model = Sequential()
model.add(Conv2D(24, kernel_size=(20, 20), strides=(2,2), padding='valid', activation='relu', input_shape=(256,256,3)))

model.add(MaxPooling2D(pool_size=(7, 7), strides=(2,2), padding='valid'))

# Avoiding overfitting
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(64, activation='relu'))

# Avoiding overfitting
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

print(model.summary())

# Compile model
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer='sgd', metrics=['accuracy'])

# Fit the model
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,
                    verbose=0)

# Save the weights
model.save_weights('first_try.h5')

Answer 1

专门针对“二类”，有两种做法：

• 一个结果，0 或 1，是或否。
• 两个结果，一个是 A 类的概率，另一个是 B 类的概率。

每个都需要不同的模型输出：

• 一维输出，带Dense(1,....)
• 二维输出，带Dense(2,....)

你似乎是第一种情况，所以，改变你的最后一层。

这个错误是什么意思？

您的模型输出具有形状 (BatchSize, 2) 的东西，但您的类标签具有形状 (BatchSize,1)。

Answer 2

如果您需要预测 0 或 1 的单个输出，则只需将最后一层更改为

model.add(Dense(1, activation='softmax'))

但是，如果您的每个类都需要两个输出，则为您的训练和验证生成器使用分类类模式，即，

train_generator = train_datagen.flow_from_directory(
                                                    train_data_dir,
                                                    target_size=(img_height, img_width),
                                                    batch_size=batch_size,
                                                    class_mode='categorical')


validation_generator = test_datagen.flow_from_directory(
                                                        validation_data_dir,
                                                        target_size=(img_height, img_width),
                                                        batch_size=batch_size,
                                                        class_mode='categorical')
<...>
model.add(Dense(2, activation='softmax'))

总结一下：

• “binary”类模式表示一维二进制标签
• “categorical”表示二维 one-hot 编码标签