InvalidArgumentError：logits 和标签必须具有相同的第一维答案

【问题标题】：InvalidArgumentError: logits and labels must have the same first dimensionInvalidArgumentError：logits 和标签必须具有相同的第一维
【发布时间】：2019-09-15 06:07:57
【问题描述】：

我正在尝试对图像进行分类。这些图像具有不同的形状，但这不是问题。

但是，我正在尝试使用 Tensorflow 提供的 tf.data.Dataset.from_generator 函数创建数据集，但我感觉有些东西无法正常工作。

代码如下：

filenames_ds = tf.data.Dataset.from_tensor_slices(categ_img[:1000]['image_name'])
labels_ds    = tf.data.Dataset.from_tensor_slices(categ_img[:1000]['category_label'])
images_ds    = filenames_ds.map(lambda x: tf.image.decode_jpeg(tf.read_file(x)))
labels_ds    = labels_ds.map(lambda x: tf.one_hot(x, NUM_CATEGORIES))
ds = tf.data.Dataset.zip((images_ds, labels_ds)).batch(1)

我也尝试像这样创建 labels_ds：

labels_ds.map(lambda x: tf.expand_dims(tf.one_hot(x, NUM_CATEGORIES), axis=0))

categ_img是一个pandas.DataFrame，分别在image_name和category_label列下包含图像路径和标签。

而且我不断收到此错误： InvalidArgumentError: logits and labels must have the same first dimension, got logits shape [1,50] and labels shape [50]

我的模型基于 Keras 提供的预训练 ResNet 模型：

base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(None, None, 3))
for layer in base_model.layers:
    layer.trainable = False
x = base_model.output
x = GlobalAveragePooling2D()(x)

for fc in FC_LAYERS:
    x = Dense(fc, activation='relu')(x)
    x = Dropout(DROPOUT)(x)

output    = Dense(NUM_CATEGORIES, activation='softmax', name='fully-connected')(x)
model     = Model(inputs=base_model.input, outputs=output)
optimizer = tf.keras.optimizers.SGD(lr=LEARNING_RATE)
cce       = tf.keras.losses.CategoricalCrossentropy()

model.compile(optimizer, loss=cce)
return model

它是这样训练的：

model_classification.fit(
    ds,
    epochs=epochs,
    steps_per_epoch=steps
)

这对我来说似乎很简单。

任何帮助将不胜感激。

谢谢。

【问题讨论】：

如果您在 read_labels 函数中尝试 yield [one_hot] 会怎样？
@alift 是的，就像我返回矩阵还是 1D np 数组一样。我仍然得到同样的错误。我还尝试用 numpy 扩展 dims。感谢您的帮助

标签： python tensorflow keras tensorflow-datasets

【解决方案1】：

我终于尝试了一些有效的方法。

这是您需要更改的行：

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

我不知道为什么，但这让一切正常。

【讨论】：