用sklearn神经网络中的图像训练CNN

Question

我正在尝试训练CNN（Sklearn神经网络）。我有4张128 x 128像素的图像。形状 - >（4,128,128）我正在阅读像 -

in1 = misc.imread('../data/Train_Data/train-1.jpg', mode='L', flatten=True)/255. in2 = misc.imread('../data/Train_Data/train-2.jpg', mode='L', flatten=True)/255. in3 = misc.imread('../data/Train_Data/train-3.jpg', mode='L', flatten=True)/255. in4 = misc.imread('../data/Train_Data/train-4.jpg', mode='L', flatten=True)/255.

然后像这样创建numpy数组 -

X_train = [in1,in2,in3,in4]
X_train = np.array(X_train)

与标签和测试集相同。

然后我正在训练我的CNN -

nn = Classifier(
    layers=[
        Convolution('Rectifier', channels=12, kernel_shape=(3, 3), border_mode='full'),
        Convolution('Rectifier', channels=8, kernel_shape=(3, 3), border_mode='valid'),
        Layer('Rectifier', units=64),
        Layer('Softmax')],
    learning_rate=0.002,
    valid_size=0.2,
    n_stable=10,
    verbose=True)


nn.fit(X_train, y_train)

它抛出错误 -

回溯（最近一次调用最后一次）：文件“/home/zaverichintan/PycharmProjects/WBC_identification/neural/trial.py”，第91行，在nn.fit（X_train，y_train）文件“/ home / zaverichintan / miniconda2 / lib / python2 .7 / site-packages / sknn / mlp.py“，第383行，in ys = [lb.fit_transform（y [：，i]）for i，lb in enumerate（self.label_binarizers）] File”/ home / zaverichintan / miniconda2 / lib / python2.7 / site-packages / sklearn / base.py“，第494行，在fit_transform中返回self.fit（X，** fit_params）.transform（X）文件”/ home / zaverichintan / miniconda2 /lib/python2.7/site-packages/sklearn/preprocessing/label.py“，第335行，在transform sparse_output = self.sparse_output中）文件”/home/zaverichintan/miniconda2/lib/python2.7/site-packages/ sklearn / preprocessing / label.py“，第497行，在label_binarize y = column_or_1d（y）文件”/home/zaverichintan/miniconda2/lib/python2.7/site-packages/sklearn/utils/validation.py“，第563行，在column_or_1d中引发ValueError（“输入形状错误{0}”。格式（形状））ValueError：输入形状错误（4,128）

Answer 1

你的in1, in2,....inN是二维数组，是128x128你必须将它们全部转换为16384的一维数组。 in1.shape应该打印(16384,)和X_train.shape应该打印(4,16384)。您可以使用numpy数组并应用[reshape] [1]函数。 https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html