Я прочитал все сообщения в сети, в которых упоминается проблема, когда люди забыли изменить целевой вектор на матрицу, и поскольку проблема остается после этого изменения, я решил задать свой вопрос здесь. Обходные решения упоминаются ниже, но появляются новые проблемы, и я благодарен за предложения!Несоответствие размерности входных данных бинарная кроссентропия Лазань и Теано
Использование конфигурации сети свертки и бинарной кроссентропии с функцией активации сигмоида, я получаю проблему несоответствия размеров, но не во время учебных данных, только во время проверки данных проверки/тестирования. По какой-то странной причине, из моих векторов вектора проверки меняет свое измерение, и я понятия не имею, почему. Обучение, как упоминалось выше, отлично работает. Ниже приведен код, спасибо за помощь (и извините за захват потока, но я не видел причин для создания нового), большая часть которого была скопирована из примера урока лазаньи.
Обходные и новые проблемы:
- Удаление «ось = 1» в определение valAcc помогает, но точность проверки остается равной нулю, и тест классификации всегда возвращает тот же результат, независимо от того, сколько узлов, слои, фильтры и т.д. У меня есть. Даже изменение размера обучающего набора (у меня есть около 350 образцов для каждого класса с изображениями в градациях серого размером 48x64) не меняет этого. Так что-то, кажется, от
Сетевое творчество:
def build_cnn(imgSet, input_var=None):
# As a third model, we'll create a CNN of two convolution + pooling stages
# and a fully-connected hidden layer in front of the output layer.
# Input layer using shape information from training
network = lasagne.layers.InputLayer(shape=(None, \
imgSet.shape[1], imgSet.shape[2], imgSet.shape[3]), input_var=input_var)
# This time we do not apply input dropout, as it tends to work less well
# for convolutional layers.
# Convolutional layer with 32 kernels of size 5x5. Strided and padded
# convolutions are supported as well; see the docstring.
network = lasagne.layers.Conv2DLayer(
network, num_filters=32, filter_size=(5, 5),
nonlinearity=lasagne.nonlinearities.rectify,
W=lasagne.init.GlorotUniform())
# Max-pooling layer of factor 2 in both dimensions:
network = lasagne.layers.MaxPool2DLayer(network, pool_size=(2, 2))
# Another convolution with 16 5x5 kernels, and another 2x2 pooling:
network = lasagne.layers.Conv2DLayer(
network, num_filters=16, filter_size=(5, 5),
nonlinearity=lasagne.nonlinearities.rectify)
network = lasagne.layers.MaxPool2DLayer(network, pool_size=(2, 2))
# A fully-connected layer of 64 units with 25% dropout on its inputs:
network = lasagne.layers.DenseLayer(
lasagne.layers.dropout(network, p=.25),
num_units=64,
nonlinearity=lasagne.nonlinearities.rectify)
# And, finally, the 2-unit output layer with 50% dropout on its inputs:
network = lasagne.layers.DenseLayer(
lasagne.layers.dropout(network, p=.5),
num_units=1,
nonlinearity=lasagne.nonlinearities.sigmoid)
return network
Целевые матрицы для всех наборов созданы как этот (обучение целевой вектор в качестве примера)
targetsTrain = np.vstack((targetsTrain, [[targetClass], ]*numTr));
... и Theano как таковые
inputVar = T.tensor4('inputs')
targetVar = T.imatrix('targets')
network = build_cnn(trainset, inputVar)
predictions = lasagne.layers.get_output(network)
loss = lasagne.objectives.binary_crossentropy(predictions, targetVar)
loss = loss.mean()
params = lasagne.layers.get_all_params(network, trainable=True)
updates = lasagne.updates.nesterov_momentum(loss, params, learning_rate=0.01, momentum=0.9)
valPrediction = lasagne.layers.get_output(network, deterministic=True)
valLoss = lasagne.objectives.binary_crossentropy(valPrediction, targetVar)
valLoss = valLoss.mean()
valAcc = T.mean(T.eq(T.argmax(valPrediction, axis=1), targetVar), dtype=theano.config.floatX)
train_fn = function([inputVar, targetVar], loss, updates=updates, allow_input_downcast=True)
val_fn = function([inputVar, targetVar], [valLoss, valAcc])
Окончание , здесь две петли, обучение и тест. Первый штраф, второй кидает ошибку, выдержки под
# -- Neural network training itself -- #
numIts = 100
for itNr in range(0, numIts):
train_err = 0
train_batches = 0
for batch in iterate_minibatches(trainset.astype('float32'), targetsTrain.astype('int8'), len(trainset)//4, shuffle=True):
inputs, targets = batch
print (inputs.shape)
print(targets.shape)
train_err += train_fn(inputs, targets)
train_batches += 1
# And a full pass over the validation data:
val_err = 0
val_acc = 0
val_batches = 0
for batch in iterate_minibatches(valset.astype('float32'), targetsVal.astype('int8'), len(valset)//3, shuffle=False):
[inputs, targets] = batch
[err, acc] = val_fn(inputs, targets)
val_err += err
val_acc += acc
val_batches += 1
Erorr (выдержки)
Exception "unhandled ValueError"
Input dimension mis-match. (input[0].shape[1] = 52, input[1].shape[1] = 1)
Apply node that caused the error: Elemwise{eq,no_inplace}(DimShuffle{x,0}.0, targets)
Toposort index: 36
Inputs types: [TensorType(int64, row), TensorType(int32, matrix)]
Inputs shapes: [(1, 52), (52, 1)]
Inputs strides: [(416, 8), (4, 4)]
Inputs values: ['not shown', 'not shown']
Еще раз спасибо за помощь!
Как упоминалось выше, несоответствие размеров возникает, когда ось = 1. Как только я удаляю его, ошибка исчезает, но тренировка не работает. Я также попытался сгладить предсказания, что приводит к другой ошибке измерения. – gilgamash
Хорошо, используя транспонирование, но теперь на каждом шаге точность проверки остается неизменной от первой до последней итерации ... – gilgamash
Можете ли вы опубликовать размеры выхода сети? Ваш вход кажется тензором4 с формой _batchsize_ x _stacksize_ x _row_ x _col_ или нет? – romeasy