如何为神经网络制作一个最小且可重复的示例？答案

【问题标题】：How do I make a minimal and reproducible example for neural networks?如何为神经网络制作一个最小且可重复的示例？
【发布时间】：2020-04-13 16:47:44
【问题描述】：

我想知道如何为 Stack Overflow 制作一个最小且可重现的深度学习示例。我想确保人们有足够的信息来查明我的代码的确切问题。只提供回溯就足够了吗？

    c:\users\samuel\appdata\local\programs\python\python35\lib\site-packages\keras\engine\training_utils.py 
                         in standardize_input_data(data, names, shapes, check_batch_axis, exception_prefix)
        135                             ': expected ' + names[i] + ' to have shape ' +
        136                             str(shape) + ' but got array with shape ' +
    --> 137                             str(data_shape))
        138     return data
        139

或者我应该简单地发布错误消息？

值错误：检查输入时出错：预期 dense_1_input 具有形状 (4,) 但得到了形状为 (1,) 的数组

【问题讨论】：

标签： python tensorflow keras neural-network pytorch

【解决方案1】：

以下是制作可重现的、最小的深度学习示例的一些技巧。无论是 Keras、Pytorch 还是 Tensorflow，这都是很好的建议。

我们无法使用您的数据，但在大多数情况下，这并不重要。我们所需要的只是正确的形状。
- 使用随机生成的正确形状的数字。
  - 例如，np.random.randint(0, 256, (100, 30, 30, 3) 用于 100 张尺寸为 30x30 的彩色图片
  - 例如，np.random.choice(np.arange(10), 100) 用于 10 个类别的 100 个样本
我们不需要查看您的整个管道。
- 只提供运行代码的最低要求。
充分利用Keras 及其调试功能。
- 包括回溯。它很可能会指出确切的问题。
神经网络就是要拟合正确的形状。
- 至少始终提供输入形状。
使其易于测试和重现。
- 发布您的整个神经网络架构。
- 包括您的库导入。定义所有变量。

这是一个完美最小且可重现的示例：

“我有一个错误。当我运行这段代码时，它给了我这个错误：”

ValueError：检查目标时出错：预期dense_2 的形状为(10，)，但得到的数组形状为

“这是我的架构，以及生成的数据：”

import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Flatten, Conv2D, MaxPooling2D

xtrain, xtest = np.random.rand(2, 1000, 30, 30, 3)
ytrain, ytest = np.random.choice(np.arange(10), 2000).reshape(2, 1000) 

model = Sequential([
    Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=xtrain.shape[1:]),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')])

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adam(),
              metrics=['accuracy'])

model.fit(xtrain, ytrain,
          batch_size=16,
          epochs=10,
          validation_data=(xtest, ytest))

【讨论】：