我想使用TensorFlow/Keras将图片分类为自拍和非自拍两类。
我已经将样本收集到了两个文件系统文件夹中，每个类别一个文件夹。
我按照MNIST时尚（这也是一个图片分类问题）的官方教程实现了下面的训练，并使用从文件系统加载图片的方法，如https://stackoverflow.com/a/52417770/226958所示。
不幸的是，我遇到了一个错误：
1.10.1Tensor("IteratorGetNext:0", shape=(?, 100, 100, 1), dtype=float32)Tensor("IteratorGetNext:1", shape=(?,), dtype=int32)Traceback (most recent call last): File "run.py", line 50, in <module> model.fit(images, labels, epochs=1, steps_per_epoch=60000) File "/home/nico/.local/lib/python2.7/site-packages/tensorflow/python/keras/engine/training.py", line 1278, in fit validation_split=validation_split) File "/home/nico/.local/lib/python2.7/site-packages/tensorflow/python/keras/engine/training.py", line 878, in _standardize_user_data exception_prefix='input') File "/home/nico/.local/lib/python2.7/site-packages/tensorflow/python/keras/engine/training_utils.py", line 182, in standardize_input_data 'with shape ' + str(data_shape))ValueError: Error when checking input: expected flatten_input to have 3 dimensions, but got array with shape (None, 100, 100, 1)这是源代码：
import tensorflow as tfprint(tf.__version__)out_shape = tf.convert_to_tensor([100, 100])batch_size = 2image_paths, labels = ["selfies-data/1", "selfies-data/2"], [1, 2]epoch_size = len(image_paths)image_paths = tf.convert_to_tensor(image_paths, dtype=tf.string)labels = tf.convert_to_tensor(labels)# 图片加载部分来自 https://stackoverflow.com/a/52417770/226958dataset = tf.data.Dataset.from_tensor_slices((image_paths, labels))dataset = dataset.repeat().shuffle(epoch_size)def map_fn(path, label): # path/label代表单个示例的值 image = tf.image.decode_jpeg(tf.read_file(path)) # 调整到固定大小 - 注意不要扭曲纵横比 image = tf.image.resize_images(image, out_shape) image = tf.image.rgb_to_grayscale(image) # 颜色归一化 - 仅为示例 image = tf.to_float(image) * (2. / 255) - 1 return image, label# num_parallel_calls > 1 会导致批次内洗牌dataset = dataset.map(map_fn, num_parallel_calls=8)dataset = dataset.batch(batch_size)dataset = dataset.prefetch(1)images, labels = dataset.make_one_shot_iterator().get_next()# 以下所有内容来自 https://www.tensorflow.org/tutorials/keras/basic_classificationfrom tensorflow import kerasmodel = keras.Sequential([ keras.layers.Flatten(input_shape=(100, 100)), keras.layers.Dense(128, activation=tf.nn.relu), keras.layers.Dense(10, activation=tf.nn.softmax)])model.compile(optimizer=tf.train.AdamOptimizer(), loss='sparse_categorical_crossentropy', metrics=['accuracy'])print(images)print(labels)model.fit(images, labels, epochs=epoch_size, steps_per_epoch=60000)虽然我读过一些类似的提问，但我没有看到任何关于None的问题。
我如何调整Keras以适应我的输入，或者如何转换我的输入使Keras能够接受它？
回答：
1) 图片只有一个通道，因此必须在输入形状参数中反映出来：
keras.layers.Flatten(input_shape=(100, 100, 1))2) 要使用tf.data API加载文件，您需要先获取图像文件名及其相应的标签：
image_paths, lbls = ["selfies-data/1", "selfies-data/2"], [0., 1.]labels = []file_names = []for d, l in zip(image_paths, lbls): # 获取所有图像文件名的列表 name = [os.path.join(d,f) for f in os.listdir(d)] file_names.extend(name) labels.extend([l] * len(name))file_names = tf.convert_to_tensor(file_names, dtype=tf.string)labels = tf.convert_to_tensor(labels)dataset = tf.data.Dataset.from_tensor_slices((file_names, labels))# 其余部分相同 您可能还需要扩展labels的维度，使其形状为(?, 1)（而不是(?,)）。为此，您可以在map_fn函数中添加以下一行：
labels = tf.expand_dims(labels, axis=-1)3) 如果您有两个类别，那么为什么最后一层有10个单元？这是一个二元分类问题，因此使最后一层有一个单元，并使用sigmoid激活函数。最后，将损失函数改为binary_crossentropy：
# ... keras.layers.Dense(1, activation=tf.nn.sigmoid)])model.compile(optimizer=tf.train.AdamOptimizer(), loss='binary_crossentropy', metrics=['accuracy'])