InvalidArgumentError: ConcatOp : Rozměry vstupů by měl odpovídat, když předpovídají na X_test s Conv2D - proč?

Question 1

Já jsem učení Tensorflow a snažím se vytvořit klasifikátor na Módní datové sady MNIST. Můžu se vešly model, ale když jsem se snaží předpovědět, na můj test setu jsem se následující chybová zpráva:

y_pred = model.predict(X_test).argmax(axis=1)

InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat

Nechápu chybu, pokud jsem předvídat na X_test v dávkách, například:

y_pred = []
step_size = 10
for i in trange(0, len(X_test), step_size):
  y_pred += model.predict(X_test[i:i+step_size]).argmax(axis=1).tolist()[0]

Strávil jsem nějaký čas googling a při pohledu na další příklady stejnou chybu, ale pořád nemůžu přijít na to, co dělám špatně. Já jsem se snažil několik různých věcí, jako je použití stupnice a rozšířit rozměry kroky ručně X_train a X_test před stavbou modelu, ale se stejným výsledkem.

Tohle je můj úplný kód (pomocí Python 3.7.12 a Tensorflow 2.7.0):

import tensorflow as tf # 2.7.0
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# load data 
mnist = tf.keras.datasets.fashion_mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# Build model 

# Input 
inputs = tf.keras.Input(shape=X_train[0].shape)

# # Scale 
x = tf.keras.layers.Rescaling(scale=1.0/255)(inputs)

# Add extra dimension for use in conv2d
x = tf.expand_dims(x, -1)

# Conv2D
x = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3), activation="relu", strides=2)(x)

# Flatten
x = tf.keras.layers.Flatten()(x),
x = tf.keras.layers.Dropout(rate=.2)(x)  # 20% chance of dropout  
x = tf.keras.layers.Dense(512, activation='relu')(x)
x = tf.keras.layers.Dropout(rate=.2)(x)   
x = tf.keras.layers.Dense(K, activation='softmax')(x)

model = tf.keras.Model(inputs=inputs, outputs=x)

# Compile
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# Fit
r = model.fit(X_train, y_train, validation_data=[X_test, y_test], epochs=10)

# Throws an error
y_pred = model.predict(X_test).argmax(axis=1)

Který dává

InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat

Question 2

S model.predict budete dělat předpovědi o dávkách, jak je uvedeno zde:

Výpočet se provádí v sériích. Tento způsob je určen pro dávkové zpracování velkého počtu vstupů. Není určen pro použití uvnitř smyček, které iterovat přes vaše data a zpracovat malé množství vstupů najednou.

Ale velikost X_test není dělitelný výchozí batch_size=32. Myslím, že to může být příčinou vašeho problému. Můžete změnit nastavení batch_size 16 pro příklad, a to bude fungovat:

y_pred = model.predict(X_test, batch_size=16).argmax(axis=1)
print(y_pred)

[[ 8  0  2 ... 14  8  2]
 [15 15  8 ... 10  8 14]
 [ 5 13  4 ...  4  5  6]
 ...
 [11 11 12 ...  7  2  3]
 [ 3  8  0 ... 15  3 14]
 [ 3 13  1 ...  1 15  0]]

Dalo by se také použít model.predict_on_batch(X_test) dělat předpovědi na jedné šarže vzorků. Nicméně, jste velmi flexibilní, pokud používáte volání funkce vašeho modelu přímo:

y_pred = model(X_test[:10])
tf.print(tf.argmax(y_pred, axis=1), summarize=-1)

[[2 8 0 1 1 1 8 2 2 6]]

AloneTogether · Answer 1 · 2021-11-22T13:44:08

S model.predict budete dělat předpovědi o dávkách, jak je uvedeno zde:

Výpočet se provádí v sériích. Tento způsob je určen pro dávkové zpracování velkého počtu vstupů. Není určen pro použití uvnitř smyček, které iterovat přes vaše data a zpracovat malé množství vstupů najednou.

Ale velikost X_test není dělitelný výchozí batch_size=32. Myslím, že to může být příčinou vašeho problému. Můžete změnit nastavení batch_size 16 pro příklad, a to bude fungovat:

y_pred = model.predict(X_test, batch_size=16).argmax(axis=1)
print(y_pred)

[[ 8  0  2 ... 14  8  2]
 [15 15  8 ... 10  8 14]
 [ 5 13  4 ...  4  5  6]
 ...
 [11 11 12 ...  7  2  3]
 [ 3  8  0 ... 15  3 14]
 [ 3 13  1 ...  1 15  0]]

Dalo by se také použít model.predict_on_batch(X_test) dělat předpovědi na jedné šarže vzorků. Nicméně, jste velmi flexibilní, pokud používáte volání funkce vašeho modelu přímo:

y_pred = model(X_test[:10])
tf.print(tf.argmax(y_pred, axis=1), summarize=-1)

[[2 8 0 1 1 1 8 2 2 6]]

Děkuji, to funguje!! Jsem trochu zmatený o "šarže" argument - co by se stalo, kdyby moje velikost vzorku byla prvočíslo? Vypadá to, že budu muset udělat více čtení o předpovědi :)

InvalidArgumentError: ConcatOp : Rozměry vstupů by měl odpovídat, když předpovídají na X_test s Conv2D - proč?

Otázka

Nejlepší odpověď

V jiných jazycích

Tato stránka je v jiných jazycích

Populární v této kategorii

Oblíbené položky v této kategorii