Я пытаюсь получить выходные данные изображений (обучение и проверка), прошедших через сеть Vgg16 с помощью include_top = false
, а затем добавить последние несколько слоев, как показано в приведенном ниже коде.
Я хочу, чтобы x
хранил полную модель, чтобы я мог создать из нее файл tflite (включая vgg и добавленные мной слои)
from tensorflow.keras.models import Model
import os
x= vgg16.output
print(x.shape)
x = GlobalAveragePooling2D()(x)
x = Flatten()(x)
x = Dense(100)(x)
x = tf.keras.layers.LeakyReLU(alpha=0.2)(x)
x = (Dropout(0.5)) (x)
x = (Dense(50)) (x)
x = tf.keras.layers.LeakyReLU(alpha=0.3)(x)
x = Dropout(0.3)(x)
x = Dense(num_classes, activation='softmax')(x)
# this is the model we will train
model = Model(inputs=vgg16.input, outputs=x)
# first: train only the top layers (which were randomly initialized)
# i.e. freeze all convolutional InceptionV3 layers
for layer in vgg16.layers:
layer.trainable = False
model.compile(loss='categorical_crossentropy',
optimizer=optimizers.RMSprop(lr=1e-4),
metrics=['acc'])
# train the model on the new data for a few epochs
history = model.fit(train_data, train_labels,
epochs=15,
batch_size=batch_size,
validation_data=(validation_data, validation_labels))
model.save(top_model_weights_path)
(eval_loss, eval_accuracy) = model.evaluate(
validation_data, validation_labels, batch_size=batch_size, verbose=1)
Вывод x.shape
(?, ?, ?, 512)
train_data.shape
(1660, 2, 2, 512)
train_labels.shape
(1660, 4)
validation_data.shape
(137, 4)
validation_labels.shape
(137, 2, 2, 512)
Ошибка:
ValueError: Ошибка при проверке ввода: ожидалось, что input_3 будет иметь форму (None, None, 3), но получил массив с формой (2, 2, 512)
Эта ошибка возникает в строке:
52 validation_data=(validation_data, validation_labels))
Предыдущий фрагмент кода, показанный ниже, отлично работает и дает точные результаты. train_data
хранит пустой массив vgg16.predict_generator()
model = Sequential()
model.add(Flatten(input_shape=train_data.shape[1:]))
model.add(Dense(100))
model.add(tf.keras.layers.LeakyReLU(alpha=0.2))
model.add(Dropout(0.5))
model.add(Dense(50))
model.add(tf.keras.layers.LeakyReLU(alpha=0.3))
model.add(Dropout(0.3))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer=optimizers.RMSprop(lr=1e-4),
metrics=['acc'])
history = model.fit(train_data, train_labels,
epochs=15,
batch_size=batch_size,
validation_data=(validation_data, validation_labels),
callbacks =[tensorboard])
model.save(top_model_weights_path)
(eval_loss, eval_accuracy) = model.evaluate(
validation_data, validation_labels, batch_size=batch_size, verbose=1)
print("[INFO] accuracy: {:.2f}%".format(eval_accuracy * 100))
print("[INFO] Loss: {}".format(eval_loss))
Этот шаг для передачи всех изображений (поезд, проверка, тест; здесь показан только поезд) через vgg16 выполняется для обоих приведенных выше фрагментов кода.
train_data_dir = 'data/train'
validation_data_dir = 'data/validation'
test_data_dir = 'data/test'
# number of epochs to train top model
epochs = 7 #this has been changed after multiple model run
# batch size used by flow_from_directory and predict_generator
batch_size = 32
#Loading vgc16 model
vgg16 = applications.VGG16(include_top=False, weights='imagenet')
datagen = ImageDataGenerator(rescale=1. / 255)
generator = datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode=None,
shuffle=False)
nb_train_samples = len(generator.filenames)
num_classes = len(generator.class_indices)
predict_size_train = int(math.ceil(nb_train_samples / batch_size))
train_data = vgg16.predict_generator(generator, predict_size_train)