'ValueError：logits 和标签必须具有相同的形状 ((None, 2) vs (None, 1))'

Question

我在 tensorflow 中有一个具有 6 个隐藏层的卷积神经网络，现在我有两个用于分类的类，但在最后一个密集层（softmax 激活函数）。因为我有两个类，所以输出层需要两个神经元，但是每当我放两个时，我就会得到错误：

' ValueError: logits 和 labels 必须具有相同的形状 ((None, 2) vs (None, 1))'

但是，它适用于一个神经元。

这是我创建模型的代码：

import tensorflow as tf
import tensorflow.keras as keras
import os
import math
import cv2
import numpy as np
from tensorflow.keras import regularizers
from tensorflow.keras.models import Sequential


train_imgdata=[]
train_classes=[]
test_imgdata=[]
test_classes=[]


TYPE={"Dataset/Train", "Dataset/Validate"}
Category={"Glaucoma", "Non-Glaucoma"}







def GetData():
    for n, tpe in enumerate(TYPE):
        if n==0:
            for i, cat in enumerate(Category):
                clss=i
                OGpath=os.path.join(tpe,cat)
                print (OGpath)
                for file in os.listdir(OGpath):
                    filepath=os.path.join (OGpath, file)
                    image=cv2.imread(filepath)
                    image_resized=cv2.resize(image,(1700,1300))
                    train_imgdata.append(image_resized)
                    train_classes.append(clss)

        else:
            
            for i, cat in enumerate(Category):
                clss=i
                OGpath=os.path.join(tpe,cat)
                print (OGpath)
                for file in os.listdir(OGpath):
                    filepath=os.path.join (OGpath, file)
                    image=cv2.imread(filepath)
                    image_resized=cv2.resize(image,(1700,1300))
                    test_imgdata.append(image_resized)
                    test_classes.append(clss)
                    

            
def plot_history (training):
    axs[0].plot(training.history["accuracy"], label="train accuracy")
    axs[0].plot(training.history["val_accuracy"], label="validation accuracy")
    axs[0].set_ylabel("Accuracy")
    axs[0].setlegend(loc="lower right")
    axs[0].set.set_title("Accuracy_eval")
        
        
   
        
        
        
        
        
def CreateModel(InShape):

    model = tf.keras.models.Sequential() 

 

    # 1st conv layer 

    model.add(keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(1300, 1700,3), kernel_regularizer=regularizers.l2(0.01))) 

    model.add(keras.layers.MaxPooling2D((3, 3), strides=(2, 2), padding='same')) 
    model.add(keras.layers.Dropout(0.3)) 
    

 

    # 2nd conv layer 

    model.add(keras.layers.Conv2D(64, (3, 3), activation='relu')) 

    model.add(keras.layers.MaxPooling2D((3, 3), strides=(2, 2), padding='same')) 
    model.add(keras.layers.Dropout(0.3)) 
 

 

    # 3rd conv layer 

    model.add(keras.layers.Conv2D(128, (2, 2), activation='relu')) 

    model.add(keras.layers.MaxPooling2D((2, 2), strides=(2, 2), padding='same')) 
    model.add(keras.layers.Dropout(0.3)) 
 

 

    # flatten output and feed it into dense layer 

    model.add(keras.layers.Flatten()) 

    model.add(keras.layers.Dense(64, activation='relu')) 

    model.add(keras.layers.Dropout(0.3)) 

 

    # output layer 

    model.add(keras.layers.Dense(2, activation='sigmoid')) 

 

    return model 

 

 

 

 
    

    
if __name__=="__main__":
    
    
    GetData()
    real_train_imgdata=np.array(train_imgdata)
    
    real_train_classes=np.array(train_classes)
    
    real_test_imgdata=np.array(test_imgdata)
    
    real_test_classes=np.array(test_classes)
    
        
    inputshape=(real_train_imgdata.shape[1], real_train_imgdata.shape[2], real_train_imgdata.shape[3])
    
    
    
    model=CreateModel(inputshape)
    
    optimiser= keras.optimizers.Adam (learning_rate=0.001)
    
    model.compile(optimizer=optimiser,
                 loss="binary_crossentropy",
                 metrics=["accuracy"])
    model.summary()
    
    
    model.fit(real_train_imgdata, real_train_classes, validation_data=(real_test_imgdata, real_test_classes), batch_size=3, epochs=30)

Answer 1

您对 train_classes/test_classes 值使用单个标量，它只是类别索引（0 或 1），但您的模型分别预测两个类别中的每一个的可能性。您可以更改为使用模型的单个输出（如果“青光眼”则为 0，如果“非青光眼”则为 1，反之亦然）或使用两个值的数组（[1, 0] 或 [0, 1] ) 用于传递给 model.fit() 的目标值。第二种方法是所谓的“单热编码”的一个简单示例。