让Inception v3示例运行

Question

我正在尝试学习一些Keras语法并使用初始v3示例。

我有一个4类多类分类玩具问题，所以我从示例中更改了以下行：

NB_CLASS = 4  # number of classes
DIM_ORDERING = 'tf'  # 'th' (channels, width, height) or 'tf' (width, height, channels)

我的玩具数据集有以下几个维度：

• 包含所有图像的数组的大小：(595,299,299，3)
• 包含训练图像的数组的大小：(416,299,299，3)
• 包含培训标签的数组的大小：(179，4)
• 包含测试图像的数组的大小：(179,299,299，3)
• 包含测试标签的数组的大小：(179，4)

然后，我尝试使用以下代码来训练模型：

# fit the model on the batches generated by datagen.flow()
#  https://github.com/fchollet/keras/issues/1627
#    http://keras.io/models/sequential/#sequential-model-methods
checkpointer = ModelCheckpoint(filepath="/tmp/weights.hdf5", verbose=1, save_best_only=True)
model.fit_generator(datagen.flow(X_train, Y_train,
                batch_size=32),
                nb_epoch=10,
                samples_per_epoch=32,
                class_weight=None, #classWeights,
                verbose=2,
                validation_data=(X_test, Y_test),
                callbacks=[checkpointer])

然后，我得到以下错误：

Exception: The model expects 2 input arrays, but only received one array. Found: array with shape (179, 4)`

这可能与此有关，因为盗梦空间希望拥有辅助分类器(Szegedy等人，2014年)

model = Model(input=img_input, output=[preds, aux_preds])

如何将这两个标签赋予Keras中的模型，因为它也不是高级的程序员？

Answer 1

我建议您先尝试使用本教程。代码可以找到这里。

在它的第一部分中，您将看到如何使用以下方法从目录中加载数据：

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

为了输入不同的类，您必须将图像放在每个类的一个文件夹中(请注意，通过传递标签，可能有另一种方法)。还请注意，在您的示例中，class_mode不能使用“二进制”(我认为您应该使用“分类”)：

`"binary"`: binary targets (if there are only two classes),
`"categorical"`: categorical targets,

然后您可以使用已经在Keras中的inceptionv3模型：

from keras.applications import InceptionV3    
cnn = InceptionV3(...)

还要注意的是，您训练InceptionV3的例子太少了，因为这个模型非常大(请检查这里的大小)。在这种情况下，您可以做的是传输学习，在InceptionV3上使用预先训练过的权重。请参阅使用预先培训过的网络的瓶颈特性的部分:在本教程中立即达到90%的准确率。

Answer 2

错误消息与validation_data参数有关:在使用model.fit_generator时，验证数据也应该通过ImageDataGenerator对象传递(就像您已经对培训数据所做的那样)。这与缺少辅助分类器无关-- Keras 不实现辅助分类器。中的初始不实现辅助分类器。模型来自原始论文(这是尝试迁移学习而不是完全培训的另一个原因)。

更新代码以使用生成器提供验证数据：

datagen = ImageDataGenerator()
model.fit_generator(datagen.flow(X_train, Y_train, batch_size=32),
                nb_epoch=10,
                steps_per_epoch=len(X_train) / 32,
                class_weight=None,
                verbose=2,
                validation_data=datagen.flow(X_test, Y_test, batch_size=32),
                validation_steps=len(X_test) / 32,
                callbacks=[checkpointer])

请注意，我已经将参数samples_per_epoch更新为较新的steps_per_epoch。