Полностью подключенный слой вывода ValueError - PullRequest
Новая
       4

Полностью подключенный слой вывода ValueError

0 голосов
/ 24 мая 2018

Я работаю над обнаружением глаукомы CNN и получаю следующую ошибку ValueError: Error when checking target: expected activation_1 to have shape (2,) but got array with shape (1,) для любого другого числа в конечном слое плотности, кроме 1. Так как количество классификаций равно 2, мне нужно дать плотность (2)до активации функции.Но всякий раз, когда я запускаю код с Dense (1), я получаю хорошую точность, но во время тестирования все, как предсказывают, принадлежат одному и тому же классу.Как я могу решить эту ошибку, не меняя свой Плотный слой обратно на Плотный (1)

Это код: 

img_width, img_height = 256, 256
input_shape = (img_width, img_height, 3)

train_data_dir = "data/train"
validation_data_dir = "data/validation"
nb_train_samples = 500
nb_validation_samples = 50
batch_size = 10
epochs = 10

model = Sequential()

model.add(Conv2D(3, (11, 11), activation='relu', input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))

model.add(Conv2D(96, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Dropout(0.5))
model.add(Conv2D(192, (3, 3)))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Dropout(0.5))
model.add(Conv2D(192, (3, 3)))

model.add(Flatten())
model.add(Dense(2))
model.add(Activation('softmax'))

model.summary()
model.compile(loss="binary_crossentropy", optimizer=optimizers.Adam(lr=0.001, beta_1=0.9,
                                                                    beta_2=0.999, epsilon=None, decay=0.0, amsgrad=False), metrics=["accuracy"])


# Initiate the train and test generators with data Augumentation
train_datagen = ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
    rotation_range=30)

test_datagen = ImageDataGenerator(
    rescale=1./255,
    horizontal_flip=True,
    rotation_range=30)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode="binary")

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_height, img_width),
    class_mode="binary")


model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size

)

model.save('f1.h5')

Любая помощь будет принята с благодарностью.

1 Ответ

0 голосов
/ 24 мая 2018

Это потому, что вы указываете class_mode='binary' в ваших генераторах изображений, что означает, что два класса будут закодированы как 0 или 1, а не как [1,0] или [0,1].Вы можете легко решить эту проблему, изменив свой последний слой на: 

model.add(Dense(1, activation='sigmoid'))
# No need for softmax activation
model.compile(loss='binary_crossentropy', ...)

Двоичная кросс-энтропия на 0-1 математически эквивалентна 2-му классу softmax с кросс-энтропией, поэтому вы достигаете того же самого.

...