在不使用 ImageDataGenerator 的情况下为 Keras CNN 训练准备数据答案

【问题标题】：Preparing data for Keras CNN training without the use of ImageDataGenerator在不使用 ImageDataGenerator 的情况下为 Keras CNN 训练准备数据
【发布时间】：2018-08-26 22:03:16
【问题描述】：

我想弄清楚如何在不使用 ImageDataGenerator 的情况下在 Keras 中训练 CNN。本质上，我试图找出 ImageDataGenerator 类背后的魔力，这样我就不必在所有项目中都依赖它。

我有一个数据集，分为 2 个文件夹：training_set 和 test_set。每个文件夹都包含 2 个子文件夹：cats 和 dogs。

我在 for 循环中使用 Keras 的 load_img 类将它们全部加载到内存中，如下所示：

trainingImages = []
trainingLabels = []
validationImages = []
validationLabels = []

imgHeight = 32
imgWidth = 32
inputShape = (imgHeight, imgWidth, 3)

print('Loading images into RAM...')

for path in imgPaths:

    classLabel = path.split(os.path.sep)[-2]
    classes.add(classLabel)
    img = img_to_array(load_img(path, target_size=(imgHeight, imgWidth)))

    if path.split(os.path.sep)[-3] == 'training_set':
        trainingImages.append(img)
        trainingLabels.append(classLabel)
    else:
        validationImages.append(img)
        validationLabels.append(classLabel)

trainingImages = np.array(trainingImages)
trainingLabels = np.array(trainingLabels)
validationImages = np.array(validationImages)
validationLabels = np.array(validationLabels)

当我打印 trainingImages 和 trainingLabels 的 shape() 时，我得到：

Shape of trainingImages: (8000, 32, 32, 3)
Shape of trainingLabels: (8000,)

我的模型如下所示：

model = Sequential()
model.add(Conv2D(
        32, (3, 3), padding="same", input_shape=inputShape))
model.add(Activation("relu"))
model.add(Flatten())
model.add(Dense(len(classes)))
model.add(Activation("softmax"))

当我编译并尝试拟合数据时，我得到： ValueError: Error when checking target: expected activation_2 to have shape (2,) but got array with shape (1,)

这告诉我我的数据没有正确输入系统。如何在不使用ImageDataGenerator 的情况下正确准备我的数据数组？

【问题讨论】：

标签： python keras

【解决方案1】：

错误是因为您的模型定义而不是ImageDataGenerator（我在您发布的代码中没有看到使用）。我假设 len(classes) = 2 因为您收到错误消息。您收到错误是因为模型的最后一层期望 trainingLabels 的每个数据点都有一个大小为 2 的向量，但您的 trainingLabels 是一维数组。

为了解决这个问题，您可以将最后一层更改为只有 1 个单元，因为它是二进制分类：

model.add(Dense(1))

或者您可以使用一种热编码将您的训练和验证标签更改为向量：

from keras.utils import to_categorical
training_labels_one_hot = to_categorical(trainingLabels)
validation_labels_one_hot = to_categorical(validationLabels)

【讨论】：