Tensorflow：Logits 和 Label 的大小必须相同

Question

我目前正在 Google/Udacity 的 Tensorflow 课程中尝试一个项目，使用获取的数据集如下：

_URL = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz"

zip_file = tf.keras.utils.get_file(origin=_URL,

                                   fname="flower_photos.tgz",

                                   extract=True)

不幸的是，我遇到了以下错误：

InvalidArgumentError:  logits and labels must have the same first dimension, got logits shape [100,5] and labels shape [500]

     [[node sparse_categorical_crossentropy/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits (defined at <ipython-input-43-02964d57939c>:8) ]] [Op:__inference_test_function_3591]

我看了其他帖子，但似乎还是有点难以弄清楚。我最初的想法是我可能使用了错误的损失函数。

这是遇到问题的代码：

image_gen = ImageDataGenerator(rescale = 1./255, horizontal_flip=True, zoom_range=0.5, rotation_range=45, width_shift_range=0.15, height_shift_range=0.15)

train_data_gen = image_gen.flow_from_directory(batch_size=BATCH_SIZE, directory = train_dir, shuffle=True, target_size=(IMG_SHAPE,IMG_SHAPE),class_mode='binary')

image_gen = ImageDataGenerator(rescale = 1./255)

val_data_gen = image_gen.flow_from_directory(batch_size=BATCH_SIZE, directory = val_dir, shuffle=True, target_size=(IMG_SHAPE,IMG_SHAPE))

批量大小为 100，输入维度为 150,150 摘要如下： 模型：“sequential_4”

---

层（类型）输出形状参数#

conv2d_12（Conv2D）（无、148、148、16）448

---

max_pooling2d_12（最大池化（无、74、74、16）0

---

conv2d_13（Conv2D）（无、72、72、32）4640

---

max_pooling2d_13（最大池化（无、36、36、32）0

---

conv2d_14（Conv2D）（无、34、34、64）18496

---

max_pooling2d_14（最大池化（无、17、17、64）0

---

dropout_4（辍学）（无、17、17、64）0

---

flatten_4（压平）（无，18496）0

---

密集_8（密集）（无，512）9470464

---

密集_9（密集）（无，5）2565

总参数：9,496,613 可训练参数：9,496,613 不可训练参数：0

对可能出什么问题有什么想法吗？

Answer 1

注意生成器中的 class_mode'int'：表示标签被编码为整数（例如对于稀疏分类交叉熵损失）。“分类”意味着标签被编码为分类向量（例如，对于 categorical_crossentropy 损失）。'binary' 意味着标签（只能有 2 个）被编码为值为 0 或 1 的 float32 标量（例如，对于 binary_crossentropy）。无（无标签）。看来你需要“int”而不是“binary”来用于训练和验证生成器

Answer 2

在生成器中，我将 class_mode 更新为“稀疏”，并且工作正常。train_data_gen&nbsp;=&nbsp;image_gen.flow_from_directory(train_dir,&nbsp;target_size&nbsp;=&nbsp;(IMG_SHAPE,&nbsp;IMG_SHAPE),&nbsp;batch_size&nbsp;=&nbsp;batch_size,&nbsp;class_mode&nbsp;=&nbsp;'sparse')