【问题标题】：Cannot create keras model while using flow_from_directory使用 flow_from_directory 时无法创建 keras 模型
【发布时间】：2017-05-06 03:58:26
【问题描述】：

我正在尝试创建一个模型来拟合来自 cifar-10 数据集的数据。我有一个示例中的卷积神经网络，但是当我尝试创建一个多层感知器时，我不断遇到形状不匹配的问题。

#https://gist.github.com/fchollet/0830affa1f7f19fd47b06d4cf89ed44d
#https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html


from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
from keras.optimizers import RMSprop


# dimensions of our images.
img_width, img_height = 32, 32

train_data_dir = 'pro-data/train'
validation_data_dir = 'pro-data/test'
nb_train_samples = 2000
nb_validation_samples = 800
epochs = 50
batch_size = 16

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

model = Sequential()
model.add(Dense(512, activation='relu', input_shape=input_shape))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

model.summary()

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

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator()

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

score = model.evaluate_generator(validation_generator, 1000)
print("Accuracy = ", score[1])

我得到的错误是这样的：

ValueError: Error when checking target: expected dense_3 to have 4 dimensions, but got array with shape (16, 1)

但如果将输入层的 input_shape 更改为不正确的值“(784,)”，则会出现此错误：

ValueError: Error when checking input: expected dense_1_input to have 2 dimensions, but got array with shape (16, 32, 32, 3)

这是我使用 flow_from_directory 获得工作 cnn 模型的地方： https://gist.github.com/fchollet/0830affa1f7f19fd47b06d4cf89ed44d

如果有人好奇，我使用卷积神经网络模型得到的 cifar10 准确率只有 10%。我觉得挺可怜的。

【问题讨论】：

标签： machine-learning computer-vision keras

【解决方案1】：

根据您的模型，您的模型摘要是

dense_1（密集）（无、32、32、512）2048

dropout_1（丢弃）（无、32、32、512）0

dense_2（密集）（无、32、32、512）262656

dropout_2（丢弃）（无、32、32、512）0

dense_3（密集）（无、32、32、10）5130

总参数：269,834

可训练参数：269,834

不可训练的参数：0

你的输出格式是 (32,32,10)

在 cifar-10 数据集中要分类为 10 个标签

尝试添加

model.add(Flatten())

在最后一个密集层之前。

现在你的输出层是

图层（类型）输出形状参数#

dense_1（密集）（无、32、32、512）2048

dropout_1（丢弃）（无、32、32、512）0

dense_2（密集）（无、32、32、512）262656

dropout_2（丢弃）（无、32、32、512）0

flatten_1（展平）（无，524288）0

dense_3（密集）（无，10）5242890

总参数：5,507,594

可训练参数：5,507,594

不可训练的参数：0

此外，您刚刚在模型中使用了密集层和丢失层。为了获得更好的准确性，您应该搜索由密集层和最大池化层组成的各种 CNN 架构。

【讨论】：