InvalidArgumentError: ConcatOp : Dimensioni degli ingressi deve corrispondere a quando la previsione su X_test con Conv2D - perché?

Question 1

Sto imparando Tensorflow e sto cercando di costruire un classificatore di Moda MNIST set di dati. Posso adattare il modello, ma quando cerco di prevedere sul mio set di test ottengo il seguente errore:

y_pred = model.predict(X_test).argmax(axis=1)

InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat

Non ricevo un errore se la mia previsione su X_test in lotti, per esempio:

y_pred = []
step_size = 10
for i in trange(0, len(X_test), step_size):
  y_pred += model.predict(X_test[i:i+step_size]).argmax(axis=1).tolist()[0]

Ho trascorso qualche tempo su google e cercare altri esempi di lo stesso errore, ma ancora non riesco a capire cosa sto facendo di sbagliato. Ho provato un paio di cose diverse, come ad esempio l'applicazione di scala e di espandere dimensioni procedura manualmente per X_train e X_test prima di costruire il modello, ma ottenere lo stesso risultato.

Questo è il mio codice (usando Python 3.7.12 e Tensorflow 2.7.0):

import tensorflow as tf # 2.7.0
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# load data 
mnist = tf.keras.datasets.fashion_mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# Build model 

# Input 
inputs = tf.keras.Input(shape=X_train[0].shape)

# # Scale 
x = tf.keras.layers.Rescaling(scale=1.0/255)(inputs)

# Add extra dimension for use in conv2d
x = tf.expand_dims(x, -1)

# Conv2D
x = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3), activation="relu", strides=2)(x)

# Flatten
x = tf.keras.layers.Flatten()(x),
x = tf.keras.layers.Dropout(rate=.2)(x)  # 20% chance of dropout  
x = tf.keras.layers.Dense(512, activation='relu')(x)
x = tf.keras.layers.Dropout(rate=.2)(x)   
x = tf.keras.layers.Dense(K, activation='softmax')(x)

model = tf.keras.Model(inputs=inputs, outputs=x)

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

# Fit
r = model.fit(X_train, y_train, validation_data=[X_test, y_test], epochs=10)

# Throws an error
y_pred = model.predict(X_test).argmax(axis=1)

Che dà

InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat

Question 2

Con model.predict si stanno facendo previsioni su lotti come indicato qui:

Il calcolo è fatto in lotti. Questo metodo è stato progettato per l'elaborazione in batch di grandi numeri di ingressi. Non è inteso per l'uso all'interno di cicli che scorrere i tuoi dati e il processo di un piccolo numero di ingressi alla volta.

Ma la dimensione del X_test non è divisibile per il default batch_size=32. Penso che questo potrebbe essere la causa del tuo problema. Si potrebbe cambiare il vostro batch_size 16 per esempio e funziona:

y_pred = model.predict(X_test, batch_size=16).argmax(axis=1)
print(y_pred)

[[ 8  0  2 ... 14  8  2]
 [15 15  8 ... 10  8 14]
 [ 5 13  4 ...  4  5  6]
 ...
 [11 11 12 ...  7  2  3]
 [ 3  8  0 ... 15  3 14]
 [ 3 13  1 ...  1 15  0]]

Si potrebbe anche usare model.predict_on_batch(X_test) fare previsioni per un singolo lotto di campioni. Tuttavia, è più flessibile, se si utilizza la funzione di chiamata del modello direttamente:

y_pred = model(X_test[:10])
tf.print(tf.argmax(y_pred, axis=1), summarize=-1)

[[2 8 0 1 1 1 8 2 2 6]]

AloneTogether · Answer 1 · 2021-11-22T13:44:08

Con model.predict si stanno facendo previsioni su lotti come indicato qui:

Il calcolo è fatto in lotti. Questo metodo è stato progettato per l'elaborazione in batch di grandi numeri di ingressi. Non è inteso per l'uso all'interno di cicli che scorrere i tuoi dati e il processo di un piccolo numero di ingressi alla volta.

Ma la dimensione del X_test non è divisibile per il default batch_size=32. Penso che questo potrebbe essere la causa del tuo problema. Si potrebbe cambiare il vostro batch_size 16 per esempio e funziona:

y_pred = model.predict(X_test, batch_size=16).argmax(axis=1)
print(y_pred)

[[ 8  0  2 ... 14  8  2]
 [15 15  8 ... 10  8 14]
 [ 5 13  4 ...  4  5  6]
 ...
 [11 11 12 ...  7  2  3]
 [ 3  8  0 ... 15  3 14]
 [ 3 13  1 ...  1 15  0]]

Si potrebbe anche usare model.predict_on_batch(X_test) fare previsioni per un singolo lotto di campioni. Tuttavia, è più flessibile, se si utilizza la funzione di chiamata del modello direttamente:

y_pred = model(X_test[:10])
tf.print(tf.argmax(y_pred, axis=1), summarize=-1)

[[2 8 0 1 1 1 8 2 2 6]]

Grazie, funziona!! Io sono un po ' confuso circa il 'batch' argomento - che cosa accadrebbe se il mio campione è un numero primo? Mi sembra necessario fare di più a leggere su previsioni :)

InvalidArgumentError: ConcatOp : Dimensioni degli ingressi deve corrispondere a quando la previsione su X_test con Conv2D - perché?

Domanda

Migliore risposta

In altre lingue

Questa pagina è in altre lingue

Popolare in questa categoria

Domande popolari in questa categoria