ValueError：形状不匹配：标签的形状（收到的（15，））应该等于逻辑的形状，除了最后一个维度（收到的（5，3））

Question

尝试拟合 model 时出现此错误：

ValueError：形状不匹配：标签的形状（接收到的（15，））应该等于逻辑的形状，除了最后一个维度（接收到的（5，3））。

产生错误的代码：

history = model.fit_generator(
  train_generator,
  epochs=10,
  validation_data=validation_generator)

这就是train_generator，验证生成器类似：

train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
        train_dir,
        target_size=(IMG_WIDTH, IMG_HEIGHT),
        batch_size=5)

我尝试获取形状：

for data_batch, labels_batch in train_generator:
    print('data batch shape:', data_batch.shape)
    print('labels batch shape:', labels_batch.shape)
    break

数据批次形状：(5, 192, 192, 3) 标签批次形状：(5, 3)

当我更改批次大小时，错误中标签的形状会相应更改（批次大小为 3 会产生形状为 label (9,) 的错误，例如，我有 3 个类）。 但我担心的是它是由 train_generator 完成的，我能做些什么来解决这个问题吗？ 此外，当我从 train_generator 打印形状时，它似乎是正确的。

这是 model，以备不时之需：

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(IMG_WIDTH, IMG_HEIGHT, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
for i in range(2):
  model.add(layers.Conv2D(128, (3, 3), activation='relu'))
  model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Flatten())
model.add(layers.Dense(3, activation='softmax'))


model.compile(optimizer='adam',
          loss='sparse_categorical_crossentropy',
          metrics=['accuracy'])

谢谢！

编辑 - 完整代码：

该目录包含两个文件夹 - train 和 validation，每个文件夹都有三个子文件夹，其中包含相应类别的图像。

try:
 %tensorflow_version 2.x # enable TF 2.x in Colab
except Exception:
  pass

from tensorflow.keras import datasets, layers, models

IMG_WIDTH = 192
IMG_HEIGHT = 192
train_dir = 'train'
validation_dir = 'validation'

from google.colab import drive
drive.mount('/content/drive')

import os
os.chdir("drive/My Drive/colab")

from tensorflow.keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
        train_dir,
        target_size=(IMG_WIDTH, IMG_HEIGHT),
        batch_size=5)

validation_datagen = ImageDataGenerator(rescale=1./255)
validation_generator = validation_datagen.flow_from_directory(
        validation_dir,
        target_size=(IMG_WIDTH, IMG_HEIGHT),
        batch_size=5)

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu',
                        input_shape=(IMG_WIDTH, IMG_HEIGHT, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
for i in range(2):
  model.add(layers.Conv2D(128, (3, 3), activation='relu'))
  model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Flatten())
model.add(layers.Dense(3, activation='softmax'))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit_generator(
      train_generator,
      epochs=10,
      validation_data=validation_generator)

谢谢！

Answer 1

sparse_categorical_crossentropy和categorical_crossentropy之间的区别在于您的目标是否是单热编码的。

label 批次的形状是(5,3) ，这意味着它已经过一次热编码。 所以你应该使用categorical_crossentropy loss function。

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

Answer 2

我认为这与您的损失有关 function 只是尝试使用“categorical_crossentropy”而不是“sparse ...”

Answer 3

我在处理 Fashion Most 数据集时遇到了这个错误。 我想我的 model 中没有包括 Flatten 层。添加该层后，问题就解决了。