Tensorflow：Logits 和 Label 的大小必须相同

Question

我目前正在 Google/Udacity 的 Tensorflow 课程中尝试一个项目，使用获取的数据集如下：_URL = "https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz"zip_file = tf.keras.utils.get_file(origin=_URL,                                   fname="flower_photos.tgz",                                   extract=True)不幸的是，我遇到了以下错误：InvalidArgumentError:  logits and labels must have the same first dimension, got logits shape [100,5] and labels shape [500]     [[node sparse_categorical_crossentropy/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits (defined at <ipython-input-43-02964d57939c>:8) ]] [Op:__inference_test_function_3591]我看了其他帖子，但似乎还是有点难以弄清楚。我最初的想法是我可能使用了错误的损失函数。这是遇到问题的代码：image_gen = ImageDataGenerator(rescale = 1./255, horizontal_flip=True, zoom_range=0.5, rotation_range=45, width_shift_range=0.15, height_shift_range=0.15)train_data_gen = image_gen.flow_from_directory(batch_size=BATCH_SIZE, directory = train_dir, shuffle=True, target_size=(IMG_SHAPE,IMG_SHAPE),class_mode='binary')image_gen = ImageDataGenerator(rescale = 1./255)val_data_gen = image_gen.flow_from_directory(batch_size=BATCH_SIZE, directory = val_dir, shuffle=True, target_size=(IMG_SHAPE,IMG_SHAPE))批量大小为 100，输入维度为 150,150 摘要如下： 模型：“sequential_4”层（类型）输出形状参数#conv2d_12（Conv2D）（无、148、148、16）448max_pooling2d_12（最大池化（无、74、74、16）0conv2d_13（Conv2D）（无、72、72、32）4640max_pooling2d_13（最大池化（无、36、36、32）0conv2d_14（Conv2D）（无、34、34、64）18496max_pooling2d_14（最大池化（无、17、17、64）0dropout_4（辍学）（无、17、17、64）0flatten_4（压平）（无，18496）0密集_8（密集）（无，512）9470464密集_9（密集）（无，5）2565总参数：9,496,613 可训练参数：9,496,613 不可训练参数：0对可能出什么问题有什么想法吗？

Answer 1

注意生成器中的 class_mode

'int'：表示标签被编码为整数（例如对于稀疏分类交叉熵损失）。“分类”意味着标签被编码为分类向量（例如，对于 categorical_crossentropy 损失）。'binary' 意味着标签（只能有 2 个）被编码为值为 0 或 1 的 float32 标量（例如，对于 binary_crossentropy）。无（无标签）。

看来你需要“int”而不是“binary”来用于训练和验证生成器

Answer 2

在生成器中，我将 class_mode 更新为“稀疏”，并且工作正常。

train_data_gen = image_gen.flow_from_directory(train_dir, target_size = (IMG_SHAPE, IMG_SHAPE), batch_size = batch_size, class_mode = 'sparse')