你好，我试图得到一个包含7个类别的数组作为输出。但是当我运行代码时，它提示我的数据输出标签需要具有其他形状。这是我的代码 –
def make_model(self): self.model.add(InceptionV3(include_top=False, input_shape=(self.WIDTH, self.HEIGHT, 3), weights="imagenet")) self.model.add(Dense(7, activation='softmax')) self.model.layers[0].trainable = False我的模型编译和训练部分
def train(self): self.model.compile(optimizer=self.optimizer, loss='mse', metrics=['accuracy']) self.model.fit(x=x, y=y, batch_size=64, validation_split=0.15, shuffle=True, epochs=self.epochs, callbacks=[self.tensorboard, self.reducelr])我收到的错误是 –
File "model.py", line 60, in train callbacks=[self.tensorboard, self.reducelr])ValueError: A target array with shape (23639, 7) was passed for an output of shape (None, 6, 13, 7) while using as loss `mean_squared_error`. This loss expects targets to have the same shape as the output.现在它提示期望的形状是(None, 6, 13, 7)，但是我提供的标签形状是(23639, 7)
- 我们可以清楚地看到，在
self.model.add(Dense(7, activation='softmax'))中，我指定了7作为输出类别的数量
这是模型摘要 –
那么有人能告诉我这里出了什么问题吗？
顺便说一下，我确实尝试使用categorical_crossentropy来看看是否有区别，但没有效果。
如果你想要完整的代码 –
回答：
问题出在InceptionV3的输出上…它返回4D序列，你需要在最终的密集层之前降低维度以匹配目标维度（2D）。你可以使用Flatten或GlobalPooling层来实现这一点。
如果这是分类问题，我还建议你使用categorical_crossentropy（如果你有一热编码标签）或sparse_categorical_crossentropy（如果你有整数编码标签）。mse适合回归问题
