ICRA-10 Erreur Dimension Keras

Question

Je suis en train d'exécuter le code Cifar-10 CNN dans le GPU de ma machine mais je suis face à la question suivante:

Dimension (-1) doit être dans l'intervalle [0, 2), 2 est le nombre de dimensions dans l'entrée. pour 'metrics/acc/ArgMax' (op: 'ArgMax') avec des formes d'entrée: [?,?], [].

Voici mon code:

import os 
os.environ["THEANO_FLAGS"] = "mode=FAST_RUN,device=cuda0,floatX=float32,lib.cnmem=1" 
import theano 
from __future__ import print_function 
import keras 
from keras.datasets import cifar10 
from keras import optimizers 
from keras.preprocessing.image import ImageDataGenerator 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Activation, Flatten 
from keras.layers import Conv2D, MaxPooling2D 

from tensorflow.python.client import device_lib 
print(device_lib.list_local_devices()) 

[nom: "/ cpu: 0" device_type: "CPU" memory_limit: 268435456 localité { } incarnation: 5668889307863094193 , nom : "/ gpu: 0" device_type: "GPU" memory_limit: 1563603763 localité { bus_id: 1 } incarnation: 18418621293925924623 physical_device_desc: "device: 0, nom: GeForce GTX 960M, bus pci id: 0000: 01: 00.0" ]

import os 
import pickle 
import numpy as np 

batch_size = 32 
num_classes = 10 
epochs = 200 
data_augmentation = True 
num_predictions = 20 
save_dir = os.path.join(os.getcwd(), 'saved_models') 
model_name = 'keras_cifar10_trained_model.h5' 

# The data, shuffled and split between train and test sets: 
(x_train, y_train), (x_test, y_test) = cifar10.load_data() 
#x_train = x_train.reshape(50000, 3072) 
#x_test = x_test.reshape(10000, 3072) 
print('x_train shape:', x_train.shape) 
print(x_train.shape[0], 'train samples') 
print(x_test.shape[0], 'test samples') 

x_train forme: (50000, 32, 32, 3) 50000 échantillons de train 10000 échantillons de test

# Convert class vectors to binary class matrices. 
y_train = keras.utils.to_categorical(y_train, num_classes) 
y_test = keras.utils.to_categorical(y_test, num_classes) 
model = Sequential() 

model.add(Conv2D(32, (3, 3), padding='same', 
       input_shape=x_train.shape[1:])) 
model.add(Activation('relu')) 
model.add(Conv2D(32, (3, 3))) 
model.add(Activation('relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 

model.add(Conv2D(64, (3, 3), padding='same')) 
model.add(Activation('relu')) 
model.add(Conv2D(64, (3, 3))) 
model.add(Activation('relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Dropout(0.25)) 

model.add(Flatten()) 
model.add(Dense(512)) 
model.add(Activation('relu')) 
model.add(Dropout(0.5)) 
model.add(Dense(num_classes)) 
model.add(Activation('softmax')) 

model.summary() 

Layer (type)     Output Shape    Param # 

conv2d_1 (Conv2D)   (None, 32, 32, 32)  896  
_________________________________________________________________ 
activation_1 (Activation) (None, 32, 32, 32)  0   
_________________________________________________________________ 
conv2d_2 (Conv2D)   (None, 30, 30, 32)  9248  
_________________________________________________________________ 
activation_2 (Activation) (None, 30, 30, 32)  0   
_________________________________________________________________ 
max_pooling2d_1 (MaxPooling2 (None, 15, 15, 32)  0   
_________________________________________________________________ 
dropout_1 (Dropout)   (None, 15, 15, 32)  0   
_________________________________________________________________ 
conv2d_3 (Conv2D)   (None, 15, 15, 64)  18496  
_________________________________________________________________ 
activation_3 (Activation) (None, 15, 15, 64)  0   
_________________________________________________________________ 
conv2d_4 (Conv2D)   (None, 13, 13, 64)  36928  
_________________________________________________________________ 
activation_4 (Activation) (None, 13, 13, 64)  0   
_________________________________________________________________ 
max_pooling2d_2 (MaxPooling2 (None, 6, 6, 64)   0   
_________________________________________________________________ 
dropout_2 (Dropout)   (None, 6, 6, 64)   0   
_________________________________________________________________ 
flatten_1 (Flatten)   (None, 2304)    0   
_________________________________________________________________ 
dense_1 (Dense)    (None, 512)    1180160 
_________________________________________________________________ 
activation_5 (Activation) (None, 512)    0   
_________________________________________________________________ 
dropout_3 (Dropout)   (None, 512)    0   
_________________________________________________________________ 
dense_2 (Dense)    (None, 10)    5130  
_________________________________________________________________ 
activation_6 (Activation) (None, 10)    0   

Total params: 1,250,858 
Trainable params: 1,250,858 
Non-trainable params: 0 

# initiate RMSprop optimizer 
opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6) 
# Let's train the model using RMSprop 
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy']) 

sur l'exécution du code de l'optimiseur RMSprop je reçois l'erreur suivante:

InvalidArgumentError Traceback (most recent call last) ~\Anaconda3\lib\site-packages\tensorflow\python\framework\common_shapes.py in _call_cpp_shape_fn_impl(op, input_tensors_needed, input_tensors_as_shapes_needed, debug_python_shape_fn, require_shape_fn) 669 node_def_str, input_shapes, input_tensors, input_tensors_as_shapes, --> 670 status) 671 except errors.InvalidArgumentError as err:

. . . . . J'ai essayé deux solutions différentes après avoir examiné d'autres threads, mais le problème persiste. La première solution proposée était de mettre à jour Tensorflow. La deuxième solution consistait à remodeler les données d'entraînement et de test de la forme x_train: (50000, 32, 32, 3) à la forme x_train: (50000, 3072), mais l'erreur se trouvait dans la couche Conv2D du modèle. les données ne peuvent pas être utilisées.

Quelqu'un peut-il m'aider avec ce problème? Toute aide est appréciée.

Answer 1

Mon problème a été résolu après que je réinstallé Anaconda, tensorflow et Keras