我正在尝试使用 Keras 为 24 个类构建一个多类分类器,使用 VGG16 瓶颈特征和顶部的小型全连接模型。
起初我试图遵循本教程:https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html 将其调整为多类,然后我收到错误并尝试使用其他教程的代码:http://www.codesofinterest.com/2017/08/bottleneck-features-multi-class-classification-keras.html 并得到完全相同的错误。我无法弄清楚问题出在哪里!
我得到的错误是:">值错误:输入数组应该具有与目标数组相同数量的样本。找到 12768 个输入样本和 12782 个目标样本。">
基本上我有两个文件夹,训练和验证。火车文件夹有 52992 个 png 图像,验证文件夹有 12782 个 png 图像。我的批量大小是 16。
以下是我保存验证数据的save_bottleneck_features()
代码(此函数在train_top_model()
函数之前调用):
generator = datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical',
shuffle=False)
nb_validation_samples = len(generator.filenames)
predict_size_validation = int(
math.ceil(nb_validation_samples / batch_size))
bottleneck_features_validation = model.predict_generator(
generator, predict_size_validation)
np.save('bottleneck_features_validation.npy',
bottleneck_features_validation)
这是我计算验证标签的train_top_model()
中的代码:
generator_top = datagen_top.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode= 'categorical',
shuffle=False)
nb_validation_samples = len(generator_top.filenames)
validation_data = np.load('bottleneck_features_validation.npy')
validation_labels = generator_top.classes
validation_labels = np.array(
[0] * (nb_validation_samples / 2) + [1] * (nb_validation_samples / 2))
validation_labels = to_categorical(
validation_labels, num_classes=num_classes)
print predict_size_validation
打印 798print nb_validation_samples
打印 12782print len(validation_data)
打印 12768print len(validation_labels)
打印 12782
列车数据和列车标签的计算方式相同,但它们是可以的。
我认为问题可能出在predict_size_validation
上,而 12782 不能被 16 整除。
谢谢!!!
在python 2中,我假设您正在使用给定注释,默认情况下,两个整数的除法给出了整数除法。这意味着12782 / 16 == 798
(在python 3中,这相当于12782 // 16
)而不是像python 3那样12782 / 16 == 798.875
。
为了解决此问题,您应该确保除法中的一个数字是浮点数,以便获得正确的行为,例如
import math
predict_size_validation = int(math.ceil(nb_validation_samples / float(batch_size)))
或者,您可以使用__future__
模块来获取 python 3 行为,即
import math
from __future__ import division
predict_size_validation = int(math.ceil(nb_validation_samples / batch_size))
另一种解决方案是依靠整数除法来进行计算(而不是依赖math.ceil):
predict_size_validation = nb_validation_samples // batch_size
if nb_validation_samples % batch_size != 0:
predict_size_validation += 1
有关 python 2 浮点除法的更多信息,请参阅此答案