Мультиклассовая и переменная классификация изображений с помощью flow_from_directory - PullRequest
Новая
       7

Мультиклассовая и переменная классификация изображений с помощью flow_from_directory

0 голосов
/ 17 января 2019

У меня есть 7 классов изображений с переменными размерами.

Изменение размера было выполнено через flow_from_directory, но здесь появляется сообщение об ошибке Error when checking target: expected activation_21 to have shape (1,) but got array with shape (7,).

Папки: 

data/
    train/
        dogs/
            dog001.jpg
            dog002.jpg
            ...
        cats/
            cat001.jpg
            cat002.jpg
            ...
        sheep/
            sheep001.jpg
            sheep002.jpg
            ...
    validation/
        dogs/
            dog001.jpg
            dog002.jpg
            ...
        cats/
            cat001.jpg
            cat002.jpg
            ...
        sheep/
            sheep001.jpg
            sheep002.jpg
            ...

Моя модель - простая CNN: 

train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        training_path,  # this is the target directory
        target_size=(200, 350),  # all images will be resized to 200x350
        batch_size=batch_size, class_mode='categorical'
        )  

validation_generator = test_datagen.flow_from_directory(
        validation_path,
        target_size=(200, 350),
        batch_size=batch_size,class_mode='categorical'
        )

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(200, 350, 3),data_format='channels_last'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(GlobalMaxPooling2D())  # this converts our 3D feature maps to 1D feature vectors
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(7))
model.add(Activation('softmax'))

model.compile(loss='sparse_categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])


model.fit_generator(
        train_generator,
        steps_per_epoch=500 // batch_size,
        epochs=10,
        validation_data=validation_generator,
        validation_steps=500 // batch_size)

Краткое описание модели: 

________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_13 (Conv2D)           (None, 198, 348, 32)      896       
_________________________________________________________________
activation_17 (Activation)   (None, 198, 348, 32)      0         
_________________________________________________________________
max_pooling2d_13 (MaxPooling (None, 99, 174, 32)       0         
_________________________________________________________________
conv2d_14 (Conv2D)           (None, 97, 172, 32)       9248      
_________________________________________________________________
activation_18 (Activation)   (None, 97, 172, 32)       0         
_________________________________________________________________
max_pooling2d_14 (MaxPooling (None, 48, 86, 32)        0         
_________________________________________________________________
conv2d_15 (Conv2D)           (None, 46, 84, 64)        18496     
_________________________________________________________________
activation_19 (Activation)   (None, 46, 84, 64)        0         
_________________________________________________________________
max_pooling2d_15 (MaxPooling (None, 23, 42, 64)        0         
_________________________________________________________________
global_max_pooling2d_3 (Glob (None, 64)                0         
_________________________________________________________________
dense_5 (Dense)              (None, 64)                4160      
_________________________________________________________________
activation_20 (Activation)   (None, 64)                0         
_________________________________________________________________
dropout_3 (Dropout)          (None, 64)                0         
_________________________________________________________________
dense_6 (Dense)              (None, 7)                 455       
_________________________________________________________________
activation_21 (Activation)   (None, 7)                 0         
=================================================================
Total params: 33,255
Trainable params: 33,255
Non-trainable params: 0
_________________________________________________________________

Я также попытался сгенерировать отдельные x_input и y_input np.arrays, но я не знаю, как изменить размер входных изображений, поскольку они имеют разный размер. Таким образом, я не могу получить 4-мерный входной вектор, и этот подход дает мне ошибку, подобную этой: 

Error when checking input: expected conv2d_16_input to have 4 dimensions, but got array with shape (5721, 1)

1 Ответ

0 голосов
/ 17 января 2019

Ваш код должен быть непротиворечивым, в ваших flow_from_generator вызовах вы устанавливаете режим класса на categorical, который производит метки класса с горячим кодированием, но вы используете потерю sparse_categorical_crossentropy, которая ожидает целочисленные метки (не одну -хот кодированные).

Вы можете установить режим класса на sparse, чтобы получить правильные метки, или изменить потерю на categorical_crossentropy.

...