Keras Conv2D CNN检查目标时出错预期输出较小

Question

我正在堆叠6层2D卫星图像（x数据），并试图在其上运行CNN来分类土地覆盖（使用从美国农业部作物数据层-y数据重新格式化中提取的8个土地覆盖类别）。你知道吗

x数据的形状（2004，2753，6）和y的形状（2004，2753，8）最初，我使用了数据_x.reformate（-120042752，6）（y相同）添加了一个额外的尺寸作为模型。你知道吗

y数据集中的8个类别以8个波段的数字格式表示8个可能的土地覆盖类别（即，第一个波段是玉米，用1表示正，0表示非玉米）。你知道吗

但是，当我尝试运行模型时，预期的形状与传递给它的形状不匹配。我不确定我是否使用了正确的模型结构或数据结构-一个想法是采用y数据集的8个波段

基于一些认真的google搜索，我一直在学习如何将数据转换成正确的格式、正确的维度数等，但我觉得我在维度方面遇到了最后一个障碍（很可能是正确准备x&y数据集）。你知道吗

下面是CNN的模型

input_shape=([2004, 2753, 6])

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),strides=(1, 1),activation='relu',input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2,2), strides=(2, 2), padding="same"))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2), padding="same"))
model.add(Dropout(0.25))
#model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(8, activation='softmax'))
#model.add(Flatten())
model.summary()

模型摘要-预计最后会有500，687，8个

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_54 (Conv2D)           (None, 2002, 2751, 32)    1760      
_________________________________________________________________
max_pooling2d_52 (MaxPooling (None, 1001, 1376, 32)    0         
_________________________________________________________________
conv2d_55 (Conv2D)           (None, 999, 1374, 32)     9248      
_________________________________________________________________
max_pooling2d_53 (MaxPooling (None, 500, 687, 32)      0         
_________________________________________________________________
dropout_57 (Dropout)         (None, 500, 687, 32)      0         
_________________________________________________________________
dense_59 (Dense)             (None, 500, 687, 128)     4224      
_________________________________________________________________
dropout_58 (Dropout)         (None, 500, 687, 128)     0         
_________________________________________________________________
dense_60 (Dense)             (None, 500, 687, 8)       1032      
=================================================================
Total params: 16,264
Trainable params: 16,264
Non-trainable params: 0
_________________________________________________________________

编译

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

model.compile(loss='categorical_crossentropy',
            optimizer='sgd',
            metrics=['accuracy'])

fit-我从哪里得到错误信息

history = model.fit(x_train3d, y_train3d,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_split=0.2, validation_data=None)

x_train3D的形状=（1，2004，2753，6） y_train3D的形状=（1，2004，2753，8）

错误消息

ValueError: Error when checking target: expected dense_58 to have shape (500, 687, 8) but got array with shape (2004, 2753, 8)

同样，我怀疑这是因为需要为输入和输出以正确的格式获取数据，但也可能是模型规范中的某些错误。如果你能给我一些指导的话，我会很感激的。你知道吗

Answer 1

只是更新一下-我已经设法清除了错误（现在是内存错误，但那是另一个问题）。你知道吗

从两个方面解决了这个问题。 1在模型末尾添加了上采样，以将数据恢复到原始大小-下面是新代码

model = Sequential()
model.add(Conv2D(32, (3, 3), padding="same", activation="relu",input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2),strides=(2, 2)))

model.add(Conv2D(64, (3, 3), padding="same", activation="relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(128, (3, 3), padding="same", activation="relu"))

#Upsampling
model.add(UpSampling2D(size=(2,2),interpolation='nearest'))
model.add(UpSampling2D(size=(2,2),interpolation='nearest'))

model.add(Dense(8, activation='relu'))
model.summary()

给我下面的摘要

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 2004, 2752, 32)    1760      
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 1002, 1376, 32)    0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 1002, 1376, 64)    18496     
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 501, 688, 64)      0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 501, 688, 128)     73856     
_________________________________________________________________
up_sampling2d_1 (UpSampling2 (None, 1002, 1376, 128)   0         
_________________________________________________________________
up_sampling2d_2 (UpSampling2 (None, 2004, 2752, 128)   0         
_________________________________________________________________
dense_1 (Dense)              (None, 2004, 2752, 8)     1032      
=================================================================
Total params: 95,144
Trainable params: 95,144
Non-trainable params: 0

第2部分-确保x和y数据数组可除以4，否则这意味着通过舍入，我将丢失模型中的一些数据。下面的代码是针对我的代码的，不是健壮的，而是有效的

if x_train3d.shape[2] % 2:
    x_train3d_adj =  x_train3d_adj[:,:,:-1,:]
    y_train3d_adj =  y_train3d_adj[:,:,:-1,:]

还不是一个完整的解决方案，但确实让我离最终目标更近了

Answer 2

你能解释一下你想要分类的是什么？你期望的是什么样的培训3D（它是一个图像还是一些分类值，例如1/2/3。。或x/y/z…等）