為什么我的Keras Siamese網絡會對樣本量產生問題

Question

所以基本上我從這里復制了整個keras示例的Siamese網絡https://keras.io/examples/mnist_siamese/

但是我改變了一些主要是創建對功能的東西。

def create_pairs(datapath, directories):
    pairs = []
    labels = []
    for file in os.listdir(datapath):
        file_path = datapath + file
        for pic in os.listdir(file_path):
            # Get positive pair
            file_choice = None
            while file_choice is None:
                file_choice = get_random_pic(file_path, pic)
            #print(file_choice)
            p1_path = file_path +"/"+ pic
            p2_path = file_path +"/"+ file_choice
            #print("File: {} Pic1: {} Rand:{}".format(file,p1_path,p2_path))        
            # Get negative pair from a random directory
            rand_dir = None
            while rand_dir is None:
                rand_dir = get_random_dir(directories, file_path)
            #print("CP:{} RD:{}".format(file_path, rand_dir))
            rand_pic = random.choice(os.listdir(rand_dir))
            # Negative example
            p3_path = rand_dir +"/"+ rand_pic
            #print("P1", p1_path)
            #print("P2",p2_path)
            #print("P3",p3_path)
            # Read in all the file using cv2
            a = cv2.imread(p1_path)
            p = cv2.imread(p2_path)
            n = cv2.imread(p3_path)
            pos_pair = [a, p]
            neg_pair = [a,n]

            # Now create paris
            #pairs += [[x[z1], x[z2]]]

            pairs.append(pos_pair)
            labels.append(1)
            pairs.append(neg_pair)
            labels.append(0)
return np.array(pairs), np.array(labels)

這是我從文件夾中讀取圖像的方法，該文件夾按人或類別分割。

我創建了像這樣的數據集X, labels = create_pairs(datapath, directories)

這給了我一個這樣的火車和測試裝置

Train sample : data:1000 label:1000
Test sample : data:920 label:920
(1000, 2, 160, 60, 3)
(920, 2, 160, 60, 3)

我對基礎網絡的輸入形狀是（2,160,60,3）這是整體輸入形狀

print("Train Shape: {} label:{}".format(x_train.shape, y_train.shape))
print("Test Shape: {} label:{}".format(x_test.shape, y_test.shape))
print(input_a.shape)
print(input_shape)
Train Shape: (1000, 2, 160, 60, 3) label:(1000,)
Test Shape: (920, 2, 160, 60, 3) label:(920,)
(?, 2, 160, 60, 3)
(2, 160, 60, 3)

這是我的模型擬合方法

model.fit([x_train[:0],x_train[:1]], y_train,
      batch_size=128,
      epochs=epochs,
      validation_data=([x_test[:1], x_test[:1]], y_test))

從示例中它應該工作正常，因為它看起來與示例 - msint數據相同。

但它給了我這個錯誤：

所有輸入數組（ x ）應具有相同數量的樣本。 得到陣列形狀： [(0, 2, 160, 60, 3), (1, 2, 160, 60, 3)]

**********************新職位在此后加入*********************** ********所以我得到了它的工作，但我不知道它是否正在學習正確的東西。

history = model.fit([x_train, x_train], y_train,
      batch_size=128,
      epochs=epochs,
      verbose = 1,
      validation_data=([x_test, x_test], y_test))

這就是我這樣做的方式，但它看起來不像是如何設置的。 這是正確的做法嗎？

Answer 1

我找到了解決問題的方法。 所以新模型擬合類似於constt所說的：

history = model.fit([a_train, c_train], y_train,
      batch_size=128,
      epochs=epochs,
      verbose = 1,
      validation_data=([a_test, c_test], y_test))

我做出的重大改變是創造了一對。 我基本上把兩個數組做成了Anchor數組和比較數組。 這是return語句的最終代碼。

 anchor.append(a)
        anchor.append(a)
        comp.append(p)
        comp.append(n)
        labels.append(1)
        labels.append(0)


        #pos_pair = [a, p]
        #neg_pair = [a,n]

        # Now create paris
        #pairs += [[x[z1], x[z2]]]
        #pairs += [[a,p]]
        #pairs += [[a,n]]
        #labels += [1,0]
        #pairs.append(pos_pair)
        #labels.append(1)
        #pairs.append(neg_pair)
        #labels.append(0)


return np.array(anchor), np.array(comp), np.array(labels)