Keras | 让Inception v3示例运行

Question

我正在尝试学习一些Keras语法并使用Inception v3示例

我有一个4级多类分类玩具问题，所以我从示例中更改了以下几行：

NB_CLASS = 4  # number of classes
DIM_ORDERING = 'tf'  # 'th' (channels, width, height) or 'tf' (width, height, channels)

我的玩具数据集具有以下尺寸：

• 包含所有图像的数组大小：（595,299,299,3）
• 包含训练图像的阵列大小：（416,299,299,3）
• 包含训练标签的阵列大小：（179,4）
• 包含测试图像的数组大小：（179,299,299,3）
• 包含测试标签的数组大小：（179,4）

然后我尝试使用以下代码训练模型：

# fit the model on the batches generated by datagen.flow()
#  https://github.com/fchollet/keras/issues/1627
#    http://keras.io/models/sequential/#sequential-model-methods
checkpointer = ModelCheckpoint(filepath="/tmp/weights.hdf5", verbose=1, save_best_only=True)
model.fit_generator(datagen.flow(X_train, Y_train,
                batch_size=32),
                nb_epoch=10,
                samples_per_epoch=32,
                class_weight=None, #classWeights,
                verbose=2,
                validation_data=(X_test, Y_test),
                callbacks=[checkpointer])

然后我收到以下错误：

Exception: The model expects 2 input arrays, but only received one array. Found: array with shape (179, 4)`

这可能与此有关，因为Inception希望有辅助分类器（Szegedy等，2014） ：

model = Model(input=img_input, output=[preds, aux_preds])

如何将这两个标签赋予 Keras 的模型不是高级Python程序员？

Answer 1

我建议您先试用本教程 。 代码可以在这里找到。

您将在其第一部分中看到，它显示了如何使用以下方法从目录加载数据：

.flow_from_directory(
   train_data_dir,
   target_size=(img_width, img_height),
   batch_size=batch_size,
   class_mode='binary')

为了输入不同的类，你必须将你的图像放在每个类的一个文件夹中（注意，通过传递标签可能有另一种方法）。 另请注意，在您的情况下， class_mode不能使用'binary' （我认为你应该使用'分类' ）：

`"binary"`: binary targets (if there are only two classes),
`"categorical"`: categorical targets,

然后你可以使用已经在Keras中的inceptionv3模型：

from keras.applications import InceptionV3    
cnn = InceptionV3(...)

另请注意， 您只有很少的示例来训练InceptionV3 ，因为此模型非常大（请在此处查看大小）。 在这种情况下你可以做的是使用InceptionV3上预先训练的权重进行转移学习 。 请参阅使用预先训练的网络的瓶颈功能部分： 本教程 中每分钟90％的准确度 。

Answer 2

错误消息与validation_data参数有关：当您使用model.fit_generator ，验证数据也应该通过ImageDataGenerator对象传递（就像您已经为训练数据所做的那样）。 它与缺乏辅助分类器无关 - Keras 中的Inception v3模型没有实现原始论文中的辅助分类器 （这是尝试转移学习而不是完全训练的另一个原因）。

更新代码以使用生成器提供验证数据：

datagen = ImageDataGenerator()
model.fit_generator(datagen.flow(X_train, Y_train, batch_size=32),
                nb_epoch=10,
                steps_per_epoch=len(X_train) / 32,
                class_weight=None,
                verbose=2,
                validation_data=datagen.flow(X_test, Y_test, batch_size=32),
                validation_steps=len(X_test) / 32,
                callbacks=[checkpointer])

请注意，我已将参数samples_per_epoch更新为较新的steps_per_epoch 。