Tensorflow: Log dan Label harus berukuran sama
Saat ini saya mencoba sebuah proyek di Kursus Tensorflow Google / Udacity menggunakan kumpulan data yang diperoleh sebagai berikut:
_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)
Sayangnya, saya mengalami kesalahan berikut:
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]
Saya melihat posting lain, tetapi masih tampak agak sulit untuk diketahui. Pikiran awal saya adalah bahwa saya mungkin menggunakan fungsi kerugian yang salah.
Berikut adalah kode yang mengalami masalah:
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))
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(150,150,3)),
tf.keras.layers.MaxPooling2D(2,2),
tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
tf.keras.layers.MaxPooling2D(2,2),
tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
tf.keras.layers.MaxPooling2D(2,2),
tf.keras.layers.Dropout(0.5),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dense(5),
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.summary()
Ukuran tumpukan adalah 100 dan dimensi masukan adalah 150.150 Ringkasannya adalah sebagai berikut: Model: "sequential_4"
Layer (tipe) Parameter Bentuk Output #
konv2d_12 (Konv2D) (Tidak ada, 148, 148, 16) 448
max_pooling2d_12 (MaxPooling (Tidak Ada, 74, 74, 16) 0
konv2d_13 (Konv2D) (Tidak ada, 72, 72, 32) 4640
max_pooling2d_13 (MaxPooling (Tidak Ada, 36, 36, 32) 0
conv2d_14 (Conv2D) (Tidak Ada, 34, 34, 64) 18496
max_pooling2d_14 (MaxPooling (Tidak Ada, 17, 17, 64) 0
dropout_4 (Dropout) (Tidak ada, 17, 17, 64) 0
flatten_4 (Ratakan) (Tidak ada, 18496) 0
dense_8 (Dense) (Tidak ada, 512) 9470464
dense_9 (Dense) (Tidak ada, 5) 2565
Total parameter: 9.496.613 Parameter yang dapat dilatih: 9.496.613 Parameter yang tidak dapat dilatih: 0
Ada pemikiran tentang apa yang mungkin salah?
Jawaban
perhatikan class_mode di generator Anda
'int': berarti bahwa label dikodekan sebagai integer (misalnya untuk kerugian sparse_categorical_crossentropy). 'kategorikal' berarti bahwa label dikodekan sebagai vektor kategorikal (misalnya untuk kerugian kategorikal_crossentropy). 'binary' berarti bahwa label (hanya ada 2) dikodekan sebagai skalar float32 dengan nilai 0 atau 1 (misalnya untuk binary_crossentropy). Tidak ada (tanpa label).
sepertinya Anda membutuhkan 'int' daripada 'binary' untuk train dan generator validasi