输入与最终稠密层不兼容(值误差)

Question

我正在跟踪来自Nabeel的这个教程，用Keras创建自己的情绪检测器(我是一个菜鸟)，我发现了一个我想要理解的奇怪的行为。输入数据是一组48x48图像，每个图像的整数值介于0到6之间(每个数字代表情感标签)，表示图像中的情感。

train_X.shape -> (28709, 2304) // training-data, 28709 images of 48x48
train_Y.shape -> (28709,) //The emotion present in each image as an integer, 1 = happiness, 2 = sadness, etc.
val_X.shape -> (3589, 2304)
val_Y.shape -> (3589, )

为了将数据输入模型，对train_X和val_X进行了整形(如本教程所述)。

train_X.shape -> (28709, 48, 48, 1)
val_X.shape -> (3589, 48, 48, 1)

如本教程所示，模型是这样的：

model = Sequential()
input_shape = (48,48,1)
#1st convolution layer
model.add(Conv2D(64, (5, 5), input_shape=input_shape,activation='relu', padding='same'))
model.add(Conv2D(64, (5, 5), activation='relu', padding='same'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))

#2nd convolution layer
model.add(Conv2D(128, (5, 5),activation='relu',padding='same'))
model.add(Conv2D(128, (5, 5),activation='relu',padding='same'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))

#3rd convolution layer
model.add(Conv2D(256, (3, 3),activation='relu',padding='same'))
model.add(Conv2D(256, (3, 3),activation='relu',padding='same'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))

model.add(Flatten())
model.add(Dense(128))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Dropout(0.2))
################################################################
model.add(Dense(7)) # <- problematic line
################################################################
model.add(Activation('softmax'))

my_optimiser = tf.keras.optimizers.Adam(
learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-07, amsgrad=False,
name='Adam')

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

但是，当我尝试使用它时，使用教程片段时，在validation_data行中会出现如下错误

history = model.fit(train_X,     
        train_Y, 
        batch_size=64, 
        epochs=80, 
        verbose=1, 
        validation_data=(val_X, val_Y),
        shuffle=True)

ValueError: Shapes (None, 1) and (None, 7) are incompatible

在回顾了有关fit方法的代码和文档之后，我唯一的想法是将模型的最后一个Dense层中的7更改为1，这很神秘。如果有人能给我个提示的话，我想知道这里发生了什么。

Answer 1

您似乎在使用稀疏整数标签，其中每个示例属于七个类{0、1、2、3、4、5、6}中的一个，因此我建议您使用SparseCategoricalCrossentropy而不是CategoricalCrossentropy作为丢失函数。只要更改这个参数，您的模型就会正常工作。如果要使用CategoricalCrossentropy，则必须对标签进行一次热编码，例如：

train_Y = tf.keras.utils.to_categorical(train_Y, num_classes=7)