创建Tensorflow模型，接受张量图像作为模型的输入。

Question

我使用下面的配置来建立图像分类模型。

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(100, 100, 3)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10)
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

如果我打印model.inputs，那么它就会返回

[<tf.Tensor 'flatten_input:0' shape=(None, 100, 100, 3) dtype=float32>]

如果我把张量图像传给这个模型，那么它就不能工作。所以我的问题是，我应该对我的模型做什么改变，使它能接受张量图。

我使用下面的代码传递图像。

image = np.asarray(image)
# The input needs to be a tensor, convert it using `tf.convert_to_tensor`.
input_tensor = tf.convert_to_tensor(image)
# The model expects a batch of images, so add an axis with `tf.newaxis`.
input_tensor = input_tensor[tf.newaxis,...]
# Run inference
output_dict = model(input_tensor)

如果我传递张量图像，我得到了以下错误

WARNING:tensorflow:Model was constructed with shape (None, 100, 100, 3) for input Tensor("flatten_input:0", shape=(None, 100, 100, 3), dtype=float32), but it was called on an input with incompatible shape (1, 886, 685, 3).
---------------------------------------------------------------------------
InvalidArgumentError                      Traceback (most recent call last)

我只是想知道我应该更新哪些Keras层和输入参数到模型中，以便它可以接受张量图像作为输入。谢谢

Answer 1

这个消息是一个警告，不是错误，只是一些语义。这个警告确实指出了一个真正的问题。

你的模型采集图像的形状是 (100, 100, 3)而你给它输入的是形状 (886, 865, 3). 空间尺寸不匹配，你需要调整图像的大小到 100 x 100.

Answer 2

定义你的模型，你需要告诉keras你的图片的通道数：1为黑白图片，3为RGB......

所以你需要写。

keras.layers.Flatten(input_shape=(1, 100, 100, 3)) for a 1 channel picture

我还注意到，你没有定义一个激活函数的最后一层 。keras.layers.Dense(10)如果你定义了一个交叉熵的损失，你需要得到一些概率作为你的网络的输出，比如说 keras.layers.Dense(10, activation='softmax')

希望你能明白