如何將包含多個值（它是一個元組）的 label 提供給 keras model

Question

在我開始之前，我想指出我對這個主題還很陌生，因此我還有很多東西要學，如果要求不多，我想要一個明確的答案，這樣我才能真正掌握背后的想法。

所以我在問題中提出的問題是關於如何將 label 提供給我的fit function 的 label，它本質上是一個包含多個值的元組，以便我可以訓練我的 Z20F35E630DAF44DFA4C3F68F593。 我嘗試將其轉換為 numpy 數組，然后使用asarray function 將其提供給我的 model。

label = np.asarray(label)

但它給了我一個錯誤，基本上是這樣說的：

ValueError: Input arrays should have the same number of samples as target arrays. Found 1 input samples and 6 target samples.

這是有道理的，因為元組是由 6 個值組成的，並且在將其轉換為 numpy 數組后，我得到了 6 個元素，所以當我傳遞圖像和 label 現在有 6 個元素時，以fit ZC1C4252074AB7A94FC14 它出現此錯誤基本上只為一張圖像傳遞了 6 個標簽，對嗎？ So my question is, how can I feed the label, with those 6 features which represent different parts of the image that i want the model to be able to recognise, to the fit function so that the model can be trained based on that label which有6個功能嗎？

背景：

所以我正在使用卷積神經網絡 ( Conv2D )，並且我正在嘗試構建一個可以識別美國車牌的 model。 我擁有的圖像只有帶有 6 個數字/字符的車牌，這就是標簽中的內容。 我有一個parseImgFunction接收照片並返回return (image_mat,label) 。 這個 label 中有 6 個元素（每個元素代表一個字符/車牌號），是一個元組。 基本上我想使用這個fit ，如下圖所示，這樣對於每張圖像我都有一個 label 有 6 個特征，每個特征代表板的一部分。 此外，我提供給 model 的圖像已經被重新塑造。

history = model.fit(image, label, epochs=1, steps_per_epoch=100)

提前致謝！

編輯：

很抱歉沒有給你必要的代碼。 這是我正在使用的以下代碼：

dataset = tf.data.TFRecordDataset('american_car_plates.tfrecords')

feature_description = {'first': tf.io.FixedLenFeature([], tf.int64),
            'second': tf.io.FixedLenFeature([], tf.int64),
            'third':  tf.io.FixedLenFeature([], tf.int64),
            'forth': tf.io.FixedLenFeature([], tf.int64),
            'fifth':  tf.io.FixedLenFeature([], tf.int64),
            'sixth': tf.io.FixedLenFeature([], tf.int64),
            'raw': tf.io.FixedLenFeature([], tf.string),
        }



def parseImgFunction(proto):
  aux = tf.io.parse_single_example(proto,  feature_description)
  raw = aux['raw']

  first = aux['first']
  second = aux['second']
  third = aux['third']
  forth = aux['forth']
  fifth = aux['fifth']
  sixth = aux['sixth']
  full_label = (first, second, third, forth, fifth, sixth)
  label = full_label

  image = tf.io.decode_jpeg(raw, channels=1)
  image = tf.cast(image, dtype=tf.float32)
  image_mat = 1 / 255 * image


  return (image_mat,label)

mapped_images = dataset.map(parseImgFunction)

it = iter(mapped_images)
image_mat, label = next(it)
im = tf.squeeze(image_mat).numpy()

im = im.reshape([-1, 620, 420, 1])
label = np.asarray(label)


input = Input(shape=(620, 420, 1))
conv1 = Conv2D(16, kernel_size=(3, 3), activation='relu')(input)
max1 = MaxPooling2D((2, 2))(conv1)
drop1 = Dropout(0.2)(max1)
conv2 = Conv2D(24, kernel_size=(3, 3), activation='relu')(drop1)
max2 = MaxPooling2D((2, 2))(conv2)
drop2 = Dropout(0.2)(max2)
flat1 = Flatten()(drop2)
dense1 = Dense(128, activation='relu')(flat1)
drop3 = Dropout(0.2)(dense1)
out = Dense(1, activation='relu')(drop3)
model = Model(input, out)
print(model.summary())

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(im, label, epochs=1, steps_per_epoch=100)

版本：

Keras-2.3.1 Tensorflow-2.0.0 Python-3.7

Answer 1

雖然我沒有代碼（請用代碼更新帖子），但似乎當您將數據提供給 model 時，您的類沒有在示例中分開，如此評論中所提供： 值錯誤：輸入 arrays 應該具有與目標 arrays 相同數量的樣本。 找到 1600 個輸入樣本和 6400 個目標樣本。

確保完成正確的預處理以解決您的問題。