InvalidArgumentError: ConcatOp : Rozmery vstupov by sa mali zhodovať, keď predpovedajú na X_test s Conv2D - prečo?

Question 1

Učím Tensorflow a som snaží vybudovať číselníka vo Fashion MNIST dataset. Môžem fit model, ale keď som skúste predpovedať, na môj test nastaviť som sa nasledujúca chyba:

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

Ja to nechápem chybu, ak som predpovedať na X_test v dávkach, napríklad:

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 som nejaký čas som sa pri pohľade na iné príklady rovnakú chybu, ale stále nemôžem prísť na to, čo robím zle. Vyskúšal som niekoľko rôznych vecí, ako sú uplatňované v rozsahu a rozšíriť rozmery kroky manuálne, ak chcete X_train a X_test pred stavbu modelu, ale dosiahnuť rovnaký výsledok.

Toto je môj úplného kódu, (použitie 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)

Ktoré dáva

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 ste robiť predpovede o dávkach, ako je uvedené tu:

Výpočet sa vykonáva v dávkach. Tento spôsob je určený pre dávkové spracovanie veľkého počtu vstupov. Nie je určené pre použitie vo vnútri slučky, ktoré iterovať cez vaše údaje a proces malý počet vstupov naraz.

Ale veľkosť X_test nie je rovnomerne deliteľné predvolený batch_size=32. Myslím, že to môže byť príčinou vášho problému. Mohli by ste zmeniť svoj batch_size 16 napríklad a to bude fungovať:

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]]

Môžete tiež použiť model.predict_on_batch(X_test) aby predpovede pre jednej šarže vzorky. Avšak, sú najviac flexibilné ak používate funkciu volania modelu priamo:

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 ste robiť predpovede o dávkach, ako je uvedené tu:

Výpočet sa vykonáva v dávkach. Tento spôsob je určený pre dávkové spracovanie veľkého počtu vstupov. Nie je určené pre použitie vo vnútri slučky, ktoré iterovať cez vaše údaje a proces malý počet vstupov naraz.

Ale veľkosť X_test nie je rovnomerne deliteľné predvolený batch_size=32. Myslím, že to môže byť príčinou vášho problému. Mohli by ste zmeniť svoj batch_size 16 napríklad a to bude fungovať:

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]]

Môžete tiež použiť model.predict_on_batch(X_test) aby predpovede pre jednej šarže vzorky. Avšak, sú najviac flexibilné ak používate funkciu volania modelu priamo:

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]]

Ďakujem vám, že funguje!! Som trochu zmätená o "dávka' argument - čo by sa stalo, keby moja veľkosť vzorky bola prime číslo? Vyzerá to, že budem musieť urobiť viac čítania o predpovede :)

InvalidArgumentError: ConcatOp : Rozmery vstupov by sa mali zhodovať, keď predpovedajú na X_test s Conv2D - prečo?

Otázka

Najlepšiu odpoveď

V iných jazykoch

Táto stránka je v iných jazykoch

Populárne v tejto kategórii

Obľúbené otázky v tejto kategórii