错误：在 tensorflow 2 中训练 inception v3

Question

我是 tensorflow（2.3.0 版）的新手。 我想使用 inception v3 构建基于“oxford_flower102”的图像分类器。 我已经准备好数据集，现在想要训练 inception v3 网络，但我收到一个我不明白的错误。 错误代码是：

ValueError: 层 conv2d 的输入 0 与层不兼容：预期 min_ndim=4，发现 ndim=3。 收到完整形状：[500, 667, 3]

数据集的预处理似乎很好，当我想使用命令将数据输入到 inception v3 网络时出现错误

预测 = 模型（图像，训练 = True）

在这里你可以找到我的全部代码：

import warnings
import tensorflow as tf
import tensorflow_datasets as tfds
tfds.disable_progress_bar()
import logging
logger = tf.get_logger()
logger.setLevel(logging.ERROR)

import os
import tensorflow as tf
warnings.filterwarnings('ignore')
EPOCHS = 50
BATCH_SIZE = 8
NUM_CLASSES = 102
image_height = 299
image_width = 299
channels = 3
save_model_dir = os.getcwd()


def get_model():
    model = tf.keras.applications.InceptionV3(include_top=True,weights=None,classes=NUM_CLASSES)
    model.build(input_shape=(None, image_height, image_width, channels))
    return model

def get_loss_object():
    return tf.keras.losses.SparseCategoricalCrossentropy()


def get_optimizer():
    return tf.keras.optimizers.Adadelta()

def get_train_loss():
    return tf.keras.metrics.Mean(name='train_loss')

def get_train_accuracy():
    return tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy')

def get_valid_loss():
    return tf.keras.metrics.Mean(name='valid_loss')
def get_valid_accuracy():
    return tf.keras.metrics.SparseCategoricalAccuracy(name='valid_accuracy')

if __name__ == '__main__':
    dataset, dataset_info = tfds.load('oxford_flowers102', with_info=True, as_supervised=True)
    dataset_info

    test_set, training_set, validation_set = dataset['test'], dataset['train'], dataset['validation']

    num_training_examples = 0
    num_validation_examples = 0
    num_test_examples = 0

    for example in training_set:
        num_training_examples += 1

    for example in validation_set:
        num_validation_examples += 1

    for example in test_set:
        num_test_examples += 1



    model =get_model()
    loss_object = get_loss_object()
    optimizer=get_optimizer()
    train_loss= get_train_loss()
    train_accuracy=get_train_accuracy()
    valid_loss=get_valid_loss()
    valid_accuracy=get_valid_accuracy()

    @tf.function
    def train_step(images, labels):
        with tf.GradientTape() as tape:
            predictions = model(images, training=True) #here I get the error

    # start training
    for epoch in range(EPOCHS):
        train_loss.reset_states()
        train_accuracy.reset_states()
        valid_loss.reset_states()
        valid_accuracy.reset_states()
        step = 0
        for images, labels in training_set:
            step += 1
            train_step(images,labels)
   

Answer 1

输入的形状是[none, width, height, channels] ，显然与您的 [500, 667, 3] 不兼容。

在“开始训练”块中，您尝试对每个图像和标签使用 train_step。 注意 ：

for images, labels in training_set:
    pass

实际上，您会得到图像以外的图像：

for image, label in training_set:
    pass

你最好使用多个图像和标签进行训练，如果你真的想为每个 epoch 使用一个图像，只需重塑图像和标签。

例如，[500, 667, 3] 到 [1, 500, 667, 3] 如果你想为一个时代使用一张图像。

Answer 2

Keras 模型期望批量的实例作为输入。 您正在一张一张地提供图像。 如果您想训练模型，我建议您对数据集进行批处理。 你可以这样做：

dataset, dataset_info = tfds.load('oxford_flowers102', with_info=True, as_supervised=True)
    dataset_info

def resize_im(im, label):
  return tf.image.resize(im, [224, 224]), label

test_set, training_set, validation_set = dataset['test'], dataset['train'], dataset['validation']

training_set = training_set.map(resize_im)
test_set = test_set.map(resize_im)
validation_set = validation_set.map(resize_im)

training_set = training_set.batch(32)
test_set = test_set.batch(32)
validation_set = validation_set.batch(32)

# Then feed the images to the model

for images, labels in training_set:
  train_step(images, labels)

参考： https : //www.tensorflow.org/tutorials/load_data/images