形状不匹配，2D输入和2D标签

Question

我想创建一个神经网络，说的容易-从图像（灰度）中创建图像我已经成功创建了3200个输入和输出（标签）图像示例的数据集。（我知道数据集应该更大，但现在不是问题）

输入[Xin]的大小为（3200、50、30），因为它是50 * 30像素输出[yout]的大小为（3200、30、20），因为它是30 * 20像素

我想尝试一个完全连接的网络（后来在CNN上）全连接模型的构建如下所示：

# 5 Create Model
model = tf.keras.models.Sequential()                                
model.add(tf.keras.layers.Flatten())                                
model.add(tf.keras.layers.Dense(256, activation=tf.nn.relu))        
model.add(tf.keras.layers.Dense(30*20, activation=tf.nn.relu))    


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

# 6 Train the model
model.fit(Xin, yout, epochs=1)                                      #train the model

此后出现以下错误：

ValueError：形状不匹配：标签的形状（接收到（19200，））应等于logits的形状，但最后一个尺寸除外（接收到（32，600））。

我已经尝试过扁平化你的动作：

youtflat = yout.transpose(1,0,2).reshape(-1,yout.shape[1]*yout.shape[2])

但是这导致了相同的错误

Answer 1

看来您正在完全展平标签（yout），也就是说，您丢失了批量尺寸。如果原始yout的形状为(3200, 30, 20)，则应将其重塑为(3200, 30*20)的形状，该形状等于(3200, 600)：

yout = numpy.reshape((3200, 600))

然后它应该工作

NOTE但是，建议的修复程序只能消除错误。我发现您的方法有很多问题。对于您要执行的任务（获取图像作为输出），不能将sparse_categorical_crossentropy用作损失，而将accuracy用作度量。您应该改用“ mse”或“ mae”。