Несоответствие форм, 2D-ввод и 2D-метки

Question

Я хочу создать нейронную сеть, которая, легко говоря, создает изображение из изображения (оттенки серого). Я успешно создал набор данных из 3200 примеров изображений ввода и вывода (меток). (Я знаю, что набор данных должен быть больше, но сейчас это не проблема)

Вход [Xin] имеет размер (3200, 50, 30), поскольку он составляет 50*30 пикселей. Выход [yout] имеет размер (3200, 30, 20), поскольку он составляет 30*20 пикселей.

Я хочу опробовать полностью подключенную сеть (позже CNN). Построенная из полностью подключенной модели выглядит так:

# 5 Create Model
model = tf.keras.models.Sequential()                                
model.add(tf.keras.layers.Flatten())                                
model.add(tf.keras.layers.Dense(256, activation=tf.nn.relu))        
model.add(tf.keras.layers.Dense(30*20, activation=tf.nn.relu))    


#compile the model
model.compile(optimizer='adam',                                    
              loss='sparse_categorical_crossentropy',               
              metrics=['accuracy'])                                 

# 6 Train the model
model.fit(Xin, yout, epochs=1)                                      #train the model

После этого я получаю следующую ошибку:

ValueError: Несоответствие формы: форма меток (полученная (19200,)) должна соответствовать форме логитов, за исключением последнего измерения (получено (32, 600)).

Я уже пытался тебя сгладить:

youtflat = yout.transpose(1,0,2).reshape(-1,yout.shape[1]*yout.shape[2])

но это привело к той же ошибке

Answer 1

Похоже, вы полностью сглаживаете свои метки (yout), то есть теряете размер партии. Если ваш оригинальный yout имеет форму(3200, 30, 20) вы должны изменить его, чтобы он имел форму (3200, 30*20) что равно (3200, 600):

yout = numpy.reshape((3200, 600))

Тогда это должно работать

ПРИМЕЧАНИЕ. Предлагаемое исправление, однако, устраняет только ошибку. Однако я вижу много проблем с вашим методом. Для задачи, которую вы пытаетесь выполнить (получение изображения в качестве вывода), вы не можете использоватьsparse_categorical_crossentropy как потеря и accuracyкак метрики. Вместо этого вы должны использовать "mse" или "mae".