Difficulté avec cnn dans keras

Question

Je suis en train de construire un dcnn, mais je suis arrivé cette erreur:

ValueError: ('The specified size contains a dimension with value <= 0', (-192, 1024))

Et vraiment, je n'ai pas idée la raison de cette erreur, voici mon code:

les données:

c_X = open("C:/Users/PC/Desktop/Notebooks/Isabelle/mfcc_train_I_C_I_C_2.dat", "r") 
c_y = open("C:/Users/PC/Desktop/Notebooks/Isabelle/phoneme_train_I_C_I_C_2.dat", "r") 
c_X = np.fromfile(c_X, np.dtype('float32')) 
c_y = np.fromfile(c_y, np.dtype('int8')) 
c_X = c_X.reshape(886887,1120) 
c_X = c_X.reshape(c_X.shape[0], 1, 20, 56) 
c_y = one_hot(c_y) 
#c_y = np.append(c_y, np.zeros((374975,1)), axis=1) 
X_3 = apendice(Colere_X, c_X) 
y_3 = apendice(Colere_y, c_y) 
#print(c_X.shape, c_y.shape) 
print(X_3.shape, y_3.shape) 
(1123867, 1, 20, 56) (1123867, 38) 

Ceci est ma mise en œuvre du réseau de neurones (le problème est ici, je pense):

model = Sequential() 
model.add(Conv2D(32, (3, 3), border_mode='valid', activation='relu',input_shape=(1, 20, 56))) 
model.add(Dropout(0.25)) 
model.add(Conv2D(32, (3, 3), border_mode='valid', activation='relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 

model.add(Conv2D(32, (3, 3), border_mode='valid', activation='relu')) 
model.add(Conv2D(32, (3, 3), activation='relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 

model.add(Flatten()) 

model.add(Dense(1024, activation='relu')) 
model.add(Dropout(0.5)) 
model.add(Dense(num_classes, activation='softmax')) 
# Compile the model 
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) 
# Train the model 
start = time.time() 
model_info = model.fit(X_3, y_3, batch_size=100, \ 
         epochs=20, verbose=2, validation_data=(X_test, y_test)) 
end = time.time() 

Voici le résumé du modèle:

_________________________________________________________________ 
Layer (type)     Output Shape    Param # 
================================================================= 
conv2d_21 (Conv2D)   (None, -1, 18, 32)  16160  
_________________________________________________________________ 
dropout_16 (Dropout)   (None, -1, 18, 32)  0   
_________________________________________________________________ 
conv2d_22 (Conv2D)   (None, -3, 16, 32)  9248  
_________________________________________________________________ 
max_pooling2d_11 (MaxPooling (None, -2, 8, 32)   0   
_________________________________________________________________ 
dropout_17 (Dropout)   (None, -2, 8, 32)   0   
_________________________________________________________________ 
conv2d_23 (Conv2D)   (None, -4, 6, 32)   9248  
_________________________________________________________________ 
conv2d_24 (Conv2D)   (None, -6, 4, 32)   9248  
_________________________________________________________________ 
max_pooling2d_12 (MaxPooling (None, -3, 2, 32)   0   
_________________________________________________________________ 
dropout_18 (Dropout)   (None, -3, 2, 32)   0   
_________________________________________________________________ 
flatten_6 (Flatten)   (None, -192)    0   
================================================================= 
Total params: 43,904 
Trainable params: 43,904 
Non-trainable params: 0 
_________________________________________________________________ 
--------------------------------------------------------------------------- 
ValueError        Traceback (most recent call last) 
<ipython-input-17-589407073ff5> in <module>() 
    13 model.add(Flatten()) 
    14 model.summary() 
---> 15 model.add(Dense(256, activation='relu')) 
    16 model.add(Dropout(0.5)) 
    17 model.add(Dense(num_classes, activation='softmax')) 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\keras\models.py in add(self, layer) 
    467       output_shapes=[self.outputs[0]._keras_shape]) 
    468   else: 
--> 469    output_tensor = layer(self.outputs[0]) 
    470    if isinstance(output_tensor, list): 
    471     raise TypeError('All layers in a Sequential model ' 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\keras\engine\topology.py in __call__(self, inputs, **kwargs) 
    567           '`layer.build(batch_input_shape)`') 
    568     if len(input_shapes) == 1: 
--> 569      self.build(input_shapes[0]) 
    570     else: 
    571      self.build(input_shapes) 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\keras\layers\core.py in build(self, input_shape) 
    823          name='kernel', 
    824          regularizer=self.kernel_regularizer, 
--> 825          constraint=self.kernel_constraint) 
    826   if self.use_bias: 
    827    self.bias = self.add_weight(shape=(self.units,), 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\keras\legacy\interfaces.py in wrapper(*args, **kwargs) 
    85     warnings.warn('Update your `' + object_name + 
    86        '` call to the Keras 2 API: ' + signature, stacklevel=2) 
---> 87    return func(*args, **kwargs) 
    88   wrapper._original_function = func 
    89   return wrapper 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\keras\engine\topology.py in add_weight(self, name, shape, dtype, initializer, regularizer, trainable, constraint) 
    389   if dtype is None: 
    390    dtype = K.floatx() 
--> 391   weight = K.variable(initializer(shape), dtype=dtype, name=name) 
    392   if regularizer is not None: 
    393    self.add_loss(regularizer(weight)) 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\keras\initializers.py in __call__(self, shape, dtype) 
    206    limit = np.sqrt(3. * scale) 
    207    return K.random_uniform(shape, -limit, limit, 
--> 208          dtype=dtype, seed=self.seed) 
    209 
    210  def get_config(self): 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\keras\backend\theano_backend.py in random_uniform(shape, minval, maxval, dtype, seed) 
    2189   seed = np.random.randint(1, 10e6) 
    2190  rng = RandomStreams(seed=seed) 
-> 2191  return rng.uniform(shape, low=minval, high=maxval, dtype=dtype) 
    2192 
    2193 

~\Anaconda3\envs\tensorflow-gpu\lib\site-packages\theano\sandbox\rng_mrg.py in uniform(self, size, low, high, ndim, dtype, nstreams) 
    854     raise ValueError(
    855      "The specified size contains a dimension with value <= 0", 
--> 856      size) 
    857 
    858   else: 

ValueError: ('The specified size contains a dimension with value <= 0', (-192, 256)) 

J'appréciera votre aide. Merci d'avance.

Answer 1

Ceci est un problème lié à la commande des canaux dans Keras. Vous avez probablement défini ou image_data_format parameter dans ~/.keras/keras.json sur tf ou channels_last, selon la version de Keras que vous utilisez. Le problème est que le input_shape que vous avez fourni est dans l'ordre th ou channels first, ce qui perturbe la façon dont les dimensions sont interprétées et produit des dimensions négatives. Cela se produirait si vous utilisiez Keras pour la première fois avec TensorFlow, puis vous passiez à Theano.

La solution est assez simple, vous pouvez régler le paramètre correspondant dans le fichier de configuration keras.json-th ou channels_first afin qu'il corresponde à votre fichier, ou vous changez la input_shape de vos données à (20, 56, 1). Les deux solutions devraient fonctionner et vous devriez préférer l'ordre des canaux natifs du backend que vous utilisez (car il est légèrement plus rapide).