Keras CNN pour la fonction de perte de crossentropy catégorique multiclass

Question

Ceci est mon code j'ai tapé pour classer certaines classes composées d'oiseaux, de chiens et de chats. C'est le même code pour la classification binaire mais quand j'ajoute une autre classe et change la fonction de perte de la méthode de compilation pour utiliser categorical_Crossentropy, cela me donne l'erreur suivante (=> à la fin du code). Quelqu'un peut-il expliquer quelle est la question ici ou l'erreur que j'ai faite?

# Importing Keras and Tensorflow modules 

import tensorflow as tf 
from keras.models import Sequential 
from keras.layers import Conv2D 
from keras.layers import MaxPooling2D 
from keras.layers import Flatten 
from keras.layers import Dense 
from keras.preprocessing.image import ImageDataGenerator 
from keras.models import load_model 
from keras.utils.np_utils import to_categorical 
import os.path 

# Initilize the CNN 

classifier = Sequential() 
# Step 1 - Convolution 

classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu')) 

# Step 2 - Pooling 

classifier.add(MaxPooling2D(pool_size = (2, 2))) 

# Step 2(b) - Add 2nd Convolution Layer making it Deep followed by a Pooling Layer 

classifier.add(Conv2D(32, (3, 3), activation = 'relu')) 
classifier.add(MaxPooling2D(pool_size = (2, 2))) 

# Step 3 - Flattening 

classifier.add(Flatten()) 

# Step 4 - Fully Connected Neural Network 

# Hidden Layer - Activation Function RELU 
classifier.add(Dense(units = 128, activation = 'relu')) 
# Output Layer - Activation Function Softmax(to clasify multiple classes) 
classifier.add(Dense(units = 1, activation = 'softmax')) 

# Compile the CNN 

# Categorical Crossentropy - to classify between multiple classes of images 
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', 
metrics = ['accuracy']) 

# Image Augmentation and Training Section 

# Image Augmentation to prevent Overfitting (Applying random transformation on 
images to train set.ie. 
# scalling, rotating and streching) 

train_datagen = ImageDataGenerator(
     rescale=1./255, 
     shear_range=0.2, 
     zoom_range=0.2, 
     horizontal_flip=True) 

test_datagen = ImageDataGenerator(rescale=1./255) 

training_set = train_datagen.flow_from_directory(
     'dataset/training_set', 
     target_size=(64, 64), 
     batch_size=8, 
     class_mode='categorical') 

test_set = test_datagen.flow_from_directory(
     'dataset/test_set', 
     target_size=(64, 64), 
     batch_size=8, 
     class_mode='categorical') 

#Fit the clasifier on the CNN data 
if(os.path.isfile('my_model.h5') == False): 
    classifier.fit_generator(
      training_set, 
      steps_per_epoch=8000, 
      epochs=2, 
      validation_data=test_set, 
      validation_steps=2000 
           ) 
# Save the generated model to my_model.h5 
classifier.save('my_model.h5') 
else: 
    classifier = load_model('my_model.h5') 

Answer 1

votre ensemble de données semble avoir 3 classes si vous devez changer la dernière ligne dans une définition de modèle:

classifier.add(Dense(units = 3, activation = 'softmax')) 

Answer 2

Vous devez avoir un neurone par classe sur votre dernière couche (Dense). À l'heure actuelle, vous n'avez qu'un seul neurone et, par conséquent, votre réseau est encore configuré pour deux classes seulement.