У CNN есть ValueError: Ошибка при проверке цели

Question

Я использую Fashion Mnist Dataset, но я новичок в CNN. Скорее всего, я застрял в проблеме формы входной матрицы.

import numpy as np
import tensorflow as tf
import pandas as pd

import matplotlib.pyplot as plt
from keras.layers import Dense,Conv2D,Flatten,Dense,Dropout,MaxPool2D
from keras.models import Sequential
from keras.layers import BatchNormalization
from keras.layers import Activation

dataset = pd.read_csv('fashion-mnist_train.csv')


X=dataset.iloc[:,1:].values
y=dataset.iloc[:,0].values
X=X/255.
X=np.reshape(X,(-1,28,28,1))
#input_shape_problem_i_think
model=Sequential()
model.add(Conv2D(input_shape=(28,28,1),filters=16,kernel_size=(3,3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPool2D())

model.add(Conv2D(filters=16,kernel_size=(3,3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPool2D())

model.add(Flatten())
model.add(Dense(units=400,activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(units=10,activation='softmax'))
model.summary()
#optimaztion
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
model.fit(X,y,batch_size=100,epochs=1,validation_split=0.33,verbose=1,)    

ValueError: Ошибка при проверке цели: ожидалось, что плотность_платформы_34 равна (10,), но получен массив с формой (1,)

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_46 (Conv2D)           (None, 26, 26, 16)        160       
_________________________________________________________________
batch_normalization_40 (Batc (None, 26, 26, 16)        64        
_________________________________________________________________
activation_39 (Activation)   (None, 26, 26, 16)        0         
_________________________________________________________________
max_pooling2d_39 (MaxPooling (None, 13, 13, 16)        0         
_________________________________________________________________
conv2d_47 (Conv2D)           (None, 11, 11, 16)        2320      
_________________________________________________________________
batch_normalization_41 (Batc (None, 11, 11, 16)        64        
_________________________________________________________________
activation_40 (Activation)   (None, 11, 11, 16)        0         
_________________________________________________________________
max_pooling2d_40 (MaxPooling (None, 5, 5, 16)          0         
_________________________________________________________________
flatten_20 (Flatten)         (None, 400)               0         
_________________________________________________________________
dense_35 (Dense)             (None, 400)               160400    
_________________________________________________________________
dropout_18 (Dropout)         (None, 400)               0         
_________________________________________________________________
dense_36 (Dense)             (None, 10)                4010      
=================================================================
Total params: 167,018
Trainable params: 166,954
Non-trainable params: 64
_________________________________________________________________

Answer 1

В вашем последнем слое у вас есть 10 единиц F C, так как у вас есть 10 классов. Итак, вы должны отправить одну горячую закодированную версию ярлыков. Таким образом, вы можете использовать to_categorical из keras.utils.

Метки: 0 -> One Hot Encoding: [1, 0, 0, 0, 0, 0, 0, 0, 0, 0] Метки: 1 -> One Hot Encoding: [0, 1, 0, 0, 0, 0, 0, 0, 0, 0]

Возможно, вам придется слегка изменить y в зависимости от формата вашей метки.

import numpy as np
import tensorflow as tf
import pandas as pd

import matplotlib.pyplot as plt
from keras.layers import Dense,Conv2D,Flatten,Dense,Dropout,MaxPool2D
from keras.models import Sequential
from keras.layers import BatchNormalization
from keras.layers import Activation
from keras.utils import to_categorical

dataset = pd.read_csv('fashion-mnist_train.csv')


X=dataset.iloc[:,1:].values
y=dataset.iloc[:,0].values

y = to_categorical(y, 10) # one hot encoded

X=X/255.
X=np.reshape(X,(-1,28,28,1))
#input_shape_problem_i_think
model=Sequential()
model.add(Conv2D(input_shape=(28,28,1),filters=16,kernel_size=(3,3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPool2D())

model.add(Conv2D(filters=16,kernel_size=(3,3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPool2D())

model.add(Flatten())
model.add(Dense(units=400,activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(units=10,activation='softmax'))
model.summary()
#optimaztion
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
model.fit(X,y,batch_size=100,epochs=1,validation_split=0.33,verbose=1,)