TensorFlow 不兼容的形状：CNN 的 [870] 与 [2]

Question

我是 TensorFLow 的新手，在使用 MINST 数据集后，我想尝试自己的。 在尝试了不同的事情之后，我认为我的数据集可以正常工作，但在训练时仍然出现错误。 我认为我的输入有问题，我不知道是什么。 我得到了一个文件夹中的数据，其中包含 CSV。

我得到的错误如下：

InvalidArgumentError:  Incompatible shapes: [870] vs. [2]
     [[node Equal (defined at <ipython-input-13-9f1594aed79a>:111) ]][Op:__inference_train_function_9409]

Function call stack:
train_function

这就是代码

import os
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
import tensorflow as tf
import pandas as pd
from tensorflow import keras
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np

import io

directory = 'E:/Diplom/Datasets/DFDC/dfdc_train_part_4_png/'

from google.colab import files
uploaded = files.upload()

df = pd.read_csv(io.StringIO(uploaded['3.csv'].decode('utf-8')))

file_paths = df['_key'].values
print(file_paths)


print(1)
labels = df['label'].values

print(labels.size)
print(labels)
print(labels[1])

länge = labels.size 

for i in range(länge):
    if (labels[i] == "FAKE"):
        labels[int(i)] = "0"
    else:
        labels[int(i)] = "1"

print(labels)
tf.strings.to_number(labels,  tf.float32)
print(labels)
print(2)
   
   
filenames = tf.constant(file_paths)
print(filenames)
print(3)
labels = tf.constant(labels)
tf.strings.to_number(labels,  tf.float32)
print(labels)
print(4)

# step 2: create a dataset returning slices of `filenames`
dataset = tf.data.Dataset.from_tensor_slices((filenames,labels))
print(dataset)
tf.strings.to_number(labels,  tf.float32)
print(5)

# step 3: parse every image in the dataset using `map`
def _parse_function(filename, label):
    image_string = tf.io.read_file(filename)
    print(image_string)
    print(6)
    image_decoded = tf.io.decode_png(image_string, channels=3)
    print(image_decoded)
    print(image_decoded.shape)
    print(7)
    image = tf.cast(image_decoded, tf.float32)
    print(image)
    print(8)
    label = int(label)
    tf.image.resize(image, [250,250])
    print(image)
    print(9)
    return image, label



dataset = dataset.map(_parse_function)
print(dataset)
print(10)
dataset = dataset.batch(2)




# Erstellung des Models
model = models.Sequential()
model.add(layers.Conv2D(32, (11, 11), activation='relu', input_shape=(256, 256, 3)))
model.add(layers.MaxPooling2D(5,5))
model.add(layers.Conv2D(64, (9, 9), activation='relu',))
model.add(layers.MaxPooling2D(4,4))
model.add(layers.Conv2D(64, (7, 7), activation='relu',))
model.add(layers.MaxPooling2D(3,3))

#Vollverbundene Schichten
model.add(layers.Flatten())
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='sigmoid'))
model.add(layers.Dense(32, activation='sigmoid'))
model.add(layers.Dense(2))


# Kompilieren
model.compile(optimizer='adam',
              # lossfunction
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
# Moddel darstellung
model.summary()

model.fit(dataset, epochs=1, verbose=1)

Answer 1

我看到多个错误：

tf.image.resize(image, [250,250])

和

model.add(layers.Conv2D(32, (11, 11), activation='relu', input_shape=(256, 256, 3))

输入形状应为图像height x width x channel(s) 。 如果您使用灰度图像，则通道为 1，或者使用 RGB 图像，则通道应为 3。

model.add(layers.Flatten())

压扁一次就足够了。

model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(num_of_classes, activation = 'softmax'))

Sigmoid 在隐藏层中不常用，因此应该像在之前的层中那样将其更改为'relu' 。 由于是多类分类，output 层应该有'softmax'作为激活。