堆棧內存溢出
  簡體   English   中英

Keras-CNN輸入形狀不兼容

[英]Keras - CNN input shape incompatible

 原文  2018-11-02 13:25:32  7   4    python/ tensorflow/ keras

問題描述

我正在使用二進制分類時，當我使用CNN時，我的代碼在Keras Lstm上運行正常，我收到輸入形狀不兼容錯誤。

這是我得到的價值錯誤

ValueError：檢查目標時出錯：預期density_61具有3維，但數組的形狀為（24，1）

這是我使用keras的cnn代碼 

model=Sequential()
inputBatch = inputBatch.reshape(24,30, 1)
model.add(Conv1D(64, 3, activation='relu', input_shape=(30, 1)))
model.add(Conv1D(64, 3, activation='relu'))
model.add(MaxPooling1D(pool_size=4,strides=None, padding='valid'))
model.add(Conv1D(128, 3, activation='relu'))
model.add(Conv1D(128, 3, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])
model.fit(inputBatch,ponlabel,batch_size=24,epochs=20,validation_data=(inputBatch, ponlabel))

我正在研究二進制分類，它將是正數或負數

供參考，這是我的lstm代碼 

inputBatch =inputBatch.reshape(24,30,1)
model=Sequential()
model.add(LSTM(50, input_shape=(30, 1)))
model.add(Dense(1, activation="relu"))
model.compile(loss='mean_absolute_error',optimizer='adam')
model.fit(inputBatch,ponlabel,batch_size=24,epochs=100,verbose=1)

inputBatch是類似的東西，它正在處理LSTM代碼，但不適用於CNN，這是我分別用於訓練這兩個代碼的輸入 

[[    0.  1288.  1288.  2214. 11266.  6923.   420.     0.     0.  8123.
      0.  7619.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.     0.     0.     0.     0.     0. 11516.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  9929. 11501.  6573. 11266.  7566.  9963.  4420. 10936.  3657.
   7050.     0.   408. 11501.  9988.  9963.  8455.  2879.  9322.  2047.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0. 11956.  5222.     0.     0. 12106.  6481.     0.  7093. 13756.
  12152.     0.     0.     0.     0. 10173.     0.  5173. 13756.  9371.
      0.  9956.     0.     0.  9716.     0.     0.     0.     0.     0.]
 [    0.     0.   420.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0. 11501.  1916.  2073. 10936.  6312.     0. 10193. 10322.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  2879.  7852. 11501.  1934.   286. 11483.     0. 12004. 11118.
      0. 12007.  9917. 12111.  1520. 10364.     0.  8840.  4195.  2910.
  10773. 11386. 12117.  9321.     0.     0.     0.     0.     0.     0.]
 [    0.  7885.  7171.  1034. 11501.  3103.  5842.  4395. 11871.  3328.
   6719.  5407.  1087.  8935.  2937.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  8894.   450. 11516.  7353. 11501. 11502. 11499.     0.  1319.
  11693. 11501.  5735. 12111.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  1087.  9565.    23.     0.  3045.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  5015. 11501.  3306. 12111.  9307.  5050. 11501.  3306.     0.
   3306. 12111.  1981. 11516.   615. 11516.     0.  3925. 11956.  9371.
   9013.  4395. 12111.  5048.     0.  3925.     0.     0.     0.     0.]
 [    0.  1287.   420.  4070. 11087.  7410. 12186.  2387. 12111.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.   128.  2073. 10936.  6312.     0. 10193. 10322.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0. 10173.  9435.  1320.  9322. 12018.  1055.  8840.  6684. 12051.
   2879.     0. 12018.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  1570.  5466.  9322.    34. 11480.  1356. 11270.   420.  2153.
  12006.  5157.  8840.  1055. 11516.  7387.  2356.  2163.  2879.  5541.
   9443.  7441.  1295.  5473.     0.     0.     0.     0.     0.     0.]
 [    0.  5014.     0.     0.  3651.  1087.    63.  6153.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0. 10608. 10855.  9562.     0.     0.     0.  4202.     0.     0.
      0. 10818. 10818.  5842.     0.  9963.     0. 11516. 10464.  7491.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  5952.  6133.   450.  7520.  5842.  3412. 10400.  3412.  2149.
   4891.  2979.  3456.   505.  9929. 11501.  9322.  1836. 11501. 12111.
   3435. 11105. 11266.   420.  9322.    34.     0.     0.     0.     0.]
 [    0.  1570.  5466.  9322.    34. 11480.  1356. 11270.   420.  2153.
  12006.  5157.  8840.  1055. 11516.  7387.  2356.  2163.  2879.  5541.
   9443.  7441.  1295.  5473.     0.     0.     0.     0.     0.     0.]
 [    0.  7544.     0.  1709.   420. 10936.  5222.  5842. 10407.  6937.
  11329.  2937.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  7785.  8840.     0.   420.  8603. 12003.  2879.  1087.  2356.
   2390. 12111.     0.     0.     0.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  8695.  8744.   420.  8840.  6697.  9267. 11516. 11203.  2260.
   8840.  7309.     0. 11100.  6041.     0.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.  9307. 12003.  2879.  6398.  9372.  4614.  5222.     0.     0.
   2879. 10364.  6923.  4709.  4860. 11871.     0.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]
 [    0.     0.  2844.  1287.   420. 11501.   610. 11501.   596.     0.
  12111.  3690.  6343.  9963.     0.     0.  8840.     0.     0.     0.
      0.     0.     0.     0.     0.     0.     0.     0.     0.     0.]]

4 個解決方案

解決方案1
 2 已采納  2018-11-02 14:18:02

問題在於輸出形狀，因為您使用的是CNN，所以輸出為3D（樣本，寬度，通道），並且“密集”層將在最后一個尺寸上運行，從而為您提供3D輸出。 但是您需要2D輸出，因此需要添加一個Flatten層： 

model=Sequential()
model.add(Conv1D(64, 3, activation='relu', input_shape=(30, 1)))
model.add(Conv1D(64, 3, activation='relu'))
model.add(MaxPooling1D(pool_size=4,strides=None, padding='valid'))
model.add(Conv1D(128, 3, activation='relu'))
model.add(Conv1D(128, 3, activation='relu'))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))

您可以通過執行model.summary()來比較此模型和原始模型的輸出形狀

解決方案2
 0  2018-11-02 13:37:49

當輸入圖像的大小不同時，可能會出現這種錯誤。

添加更多信息（由於沒有足夠的代表，我不能說這），可能包括完整的堆棧跟蹤信息。

解決方案3
 0  2018-11-02 13:57:22

輸入形狀不兼容是由於ponlabel 。 對於LSTM，其形狀為（24,1）。 但是CNN使用的是binary_crossentropy來彌補損失，因此它將具有兩個目標類別。 這意味着對於CNN， ponlabels必須具有形狀（24,2,1）。

解決方案4
 0  2018-11-02 13:59:48

您需要使用MSE或分類交叉熵來避免CNN丟失

暫無
暫無

聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.

相關問題 CNN的輸入形狀不兼容 Keras / Tensorflow CNN輸入形狀 keras 輸入形狀：輸入與層不兼容 Keras CNN Autoencoder輸入形狀錯誤 一維 CNN (Keras) 的輸入形狀 TensorFlow CNN 不兼容形狀：4D 輸入形狀 Keras / Tensorflow 形狀不兼容 Keras 數據形狀不兼容 為什么 Keras 在這種情況下抱怨輸入形狀不兼容？ 如何修復 ValueError: Input 0 is in compatible with layer CNN: expected shape=(None, 35), found shape=(None, 31)
相關標簽
 
粵ICP備18138465號  © 2020-2024 STACKOOM.COM