Tensorflow 估计器 ValueError：logits 和标签必须具有相同的形状 ((?, 1) vs (?,))

Question

我使用二元交叉熵将电影评论分类为正面或负面。 所以，当我试图用 tensorflow 估算器包装我的 keras model 时，我得到了错误：

Tensorflow estimator ValueError: logits and labels must have the same shape ((?, 1) vs (?,))

我使用 sigmoid 激活作为我的最后一层，我想我在这里遗漏了一些微不足道的东西。 有什么帮助吗？

from tensorflow import keras
import tensorflow as tf
print("Tensorflow {} loaded".format(tf.__version__))
import numpy as np

keras.__version__
from keras.datasets import imdb

(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
def vectorize_sequences(sequences, dimension=10000):
    # Create an all-zero matrix of shape (len(sequences), dimension)
    results = np.zeros((len(sequences), dimension))
    for i, sequence in enumerate(sequences):
        results[i, sequence] = 1.  # set specific indices of results[i] to 1s
    return results.astype('float32')

# Our vectorized training data
x_train = vectorize_sequences(train_data)

# Our vectorized test data
x_test = vectorize_sequences(test_data)

# Our vectorized labels
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')

x_val = x_train[:10000]
partial_x_train = x_train[10000:]
y_val = y_train[:10000]
partial_y_train = y_train[10000:]

model = keras.models.Sequential()
model.add(keras.layers.Dense(16, activation='relu', input_shape=(10000,), name='reviews'))
model.add(keras.layers.Dense(16, activation='relu'))
model.add(keras.layers.Dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
estimator_model = keras.estimator.model_to_estimator(keras_model=model)

def input_function(features,labels=None,shuffle=False,epochs=None,batch_size=None):
    input_fn = tf.estimator.inputs.numpy_input_fn(
        x={"reviews_input": features},
        y=labels,
        shuffle=shuffle,
        num_epochs=epochs,
        batch_size=batch_size
    )
    return input_fn

estimator_model.train(input_fn=input_function(partial_x_train, partial_y_train, True,20,512))
score = estimator_model.evaluate(input_function(x_val, labels=y_val))
print(score)

Answer 1

您应该将标签重塑为二维张量（第一个维度将是批次维度，第二个维度是标量标签）：

# Our vectorized labels
y_train = np.asarray(train_labels).astype('float32').reshape((-1,1))
y_test = np.asarray(test_labels).astype('float32').reshape((-1,1))

Answer 2

如果您正在进行二元分类，请确保最后一个 Dense 层的形状只有 (None, 1)，而不是 None, 2)

tf.keras.layers.Dense(1, activation="sigmoid") # binary activation output

Answer 3

使用 model.summary() 检查您的网络

您最终需要精简网络以获得与您的类相同的输出。 例如，对数字需求和 Dense(10) 的最终输出（数字 0 到 9）进行 OCR。

例如表征狗与猫。 最后一层必须有两个输出（0-dog，1-cat）

Answer 4

我们可以通过在 Dense 层之后添加一个 Flatten 层，将输出与标签的维度进行匹配来解决这个问题：

model.add(Flatten())

或通过添加：

model.add(GlobalAveragePooling2D())

有关完整详细信息，请参阅此 GitHub 问题

Answer 5

如果你在做二元交叉熵，那么你的数据集可能有 2 个类并且错误即将到来，因为你的标签向量（在测试和训练中）具有 [0,1,0,1,1,1,0 ,0,1,...]。 要对二进制标签进行单热编码，可以使用以下函数： Labels = tf.one_hot(Labels, depth=2)