Я работаю над дальнейшим развитием моего понимания в Keras и натолкнулся на непонятную ошибку. Я использую самые последние пакеты через Anaconda. Ошибка, похоже, model.add(Flatten())
с model.add(Flatten())
, но все, что я пытаюсь, кажется, терпит неудачу. Если вы можете пролить свет на то, как думать об этом или где смотреть за пределы Google, вас оценят.
Файлы данных: https://www.kaggle.com/c/dogs-vs-cats/data
Структура данных:
data/
train/
dogs/
dog001.jpg
dog002.jpg
...
cats/
cat001.jpg
cat002.jpg
...
validation/
dogs/
dog001.jpg
dog002.jpg
...
cats/
cat001.jpg
cat002.jpg
...
import keras
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
print(keras.__version__)
# dimensions of our images.
img_width, img_height = 150, 150
train_data_dir = 'data\\train\\'
validation_data_dir = 'data\\validation\\'
nb_train_samples = 2000
nb_validation_samples = 800
epochs = 50
batch_size = 16
if K.image_data_format() == 'channels_first':
input_shape = (3, img_height, img_width)
else:
input_shape = (img_height, img_width, 3)
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape = input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))
model.compile(loss='binary_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(rescale = 1. / 255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size = (img_height, img_width),
batch_size = batch_size,
class_mode = 'binary')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size = (img_height, img_width),
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)
model.save_weights('first_try.h5')
Ошибка:
InvalidArgumentError: Reshape cannot infer the missing input size for an empty tensor unless all specified input sizes are non-zero
[[Node: flatten_3/Reshape = Reshape[T=DT_FLOAT, Tshape=DT_INT32, _class=["loc:@training_2/RMSprop/gradients/flatten_3/Reshape_grad/Reshape"], _device="/job:localhost/replica:0/task:0/device:GPU:0"](max_pooling2d_9/MaxPool-3-0-TransposeNCHWToNHWC-LayoutOptimizer, flatten_3/stack)]]
[[Node: metrics_2/acc/Mean_1/_263 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_741_metrics_2/acc/Mean_1", tensor_type=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
Как упоминалось в комментарии OP, проблема была решена путем переустановки Conda/Keras/Tensorflow.
Примечание: этот ответ публикуется как вики сообщества, как это предлагается в принятом ответе "Вопрос без ответов, но проблема разрешена в комментариях (или расширенной в чате)".
input_shape
? Используйтеprint(input_shape)
прямо перед построением модели, т.е.model = Sequential()
чтобы узнать и сообщить об этом, пожалуйста.