形状不匹配，2D输入和2D标签

Question

我想要创建一个神经网络，-easy -用一个图像(灰度)创建一个图像，我已经成功地创建了一个由3200个输入和输出(标签)图像示例组成的数据集。(我知道数据集应该更大，但这不是现在的问题)

输入符号具有大小(3200，50，30)，因为它是50*30像素，输出yout的大小是(3200，30，20)，因为它是30*20像素。

我想尝试一个完全连接的网络(稍后在CNN上)--完全连接的模型看起来是这样的：

# 5 Create Model
model = tf.keras.models.Sequential()                                
model.add(tf.keras.layers.Flatten())                                
model.add(tf.keras.layers.Dense(256, activation=tf.nn.relu))        
model.add(tf.keras.layers.Dense(30*20, activation=tf.nn.relu))    


#compile the model
model.compile(optimizer='adam',                                    
              loss='sparse_categorical_crossentropy',               
              metrics=['accuracy'])                                 

# 6 Train the model
model.fit(Xin, yout, epochs=1)                                      #train the model

在此之后，我将得到以下错误：

ValueError:形状不匹配:标签的形状(接收到(19200，))应该等于逻辑的形状，除了最后一个维度(接收到(32,600))。

我已经试着平复了：

youtflat = yout.transpose(1,0,2).reshape(-1,yout.shape[1]*yout.shape[2])

但这也导致了同样的错误

Answer 1

它显示你正在完全地扁平你的标签(You)，也就是说，你正在失去批处理维度。如果您原来的yout有一个(3200, 30, 20)的形状，那么您应该重塑它，使其具有(3200, 30*20)的形状，等于(3200, 600)。

yout = numpy.reshape((3200, 600))

那它应该能起作用

注释建议的修复，但是只删除错误。不过，我发现你的方法有很多问题。对于要执行的任务(获取图像作为输出)，不能使用sparse_categorical_crossentropy作为损失，不能使用accuracy作为度量。你应该用'mse‘或'mae’代替。