python tflearn-ValueError：无法为张量'TargetsData / Y：0'输入形状为（（？，2）'的形状（10，250，250，3）的值

Question

我正在尝试创建一个识别面孔的模型。 但是我一直遇到这个错误，对类似问题的其他答案都没有解决这个特定问题。 代码如下：

X = pickle.load(open('dataset.pkl', 'rb')).astype('float32')
Y = pickle.load(open('dataset.pkl', 'rb')).astype('float32')
X_test = pickle.load(open('dataset.pkl', 'rb')).astype('float32')
Y_test = pickle.load(open('dataset.pkl', 'rb')).astype('float32')

# Input is a 250x250 image with 3 color channels (red, green and blue)       

network = input_data(shape=[None, 250, 250, 3],
                 data_preprocessing=img_prep,
                 data_augmentation=img_aug)

# Step 1: Convolution
network = conv_2d(network, 32, 3, activation='relu')

# Step 2: Max pooling
network = max_pool_2d(network, 2)

# Step 3: Convolution again
network = conv_2d(network, 64, 3, activation='relu')

# Step 4: Convolution yet again
network = conv_2d(network, 64, 3, activation='relu')

# Step 5: Max pooling again
network = max_pool_2d(network, 2)

# Step 6: Fully-connected 512 node neural network
network = fully_connected(network, 512, activation='relu')

# Step 7: Dropout - throw away some data randomly during training to prevent over-fitting
network = dropout(network, 0.5)

# Step 8: Fully-connected neural network with two outputs to make the final prediction
network = fully_connected(network, 2, activation='softmax')

# Tell tflearn how we want to train the network
network = regression(network, optimizer='adam',
                 loss='categorical_crossentropy',
                 learning_rate=0.001)

# Wrap the network in a model object
model = tflearn.DNN(network, tensorboard_verbose=0, checkpoint_path='faceRecog.tfl.ckpt')

# Train it! We'll do 100 training passes and monitor it as it goes.
model.fit(X, Y, n_epoch=10, shuffle=True, validation_set=(X_test, Y_test),
      show_metric=True, batch_size=10,
      snapshot_epoch=True,
      run_id='faceRecog')

我不断

ValueError：无法为形状为（（？，2）'的Tensor'TargetsData / Y：0'输入形状（10、250、250、3）的值。

此时，我已经尝试了所有方法，但无法完全理解如何解决问题。

Answer 1

输入的形状为(?, 250, 250, 3) （基于开头的注释以及您早先使用卷积层的事实），输出的形状为(?, 2) （基于快速您的最后一层是具有2个输出神经元的完全连接层）。 但是，您将相同的数据集提供给了两个：

X = pickle.load(open('dataset.pkl', 'rb')).astype('float32')
Y = pickle.load(open('dataset.pkl', 'rb')).astype('float32')

^^请注意，您为X和Y加载了相同的文件。

由于我不知道您要达到什么目标，因此有两种可能的解决方案：

1. 如果您试图构建某种自动编码器（在这种情况下，将相同的数据集同时提供给输入和输出将是有意义的），则需要更改网络的体系结构，卷积层应馈入反卷积层。 如何做到这一点超出了单个堆栈溢出答案的范围

2. 如果您尝试构建某种分类器，则说明您没有为Y读取正确的文件。 Y应该包含您要预测的标签，而不是图像。