Question

我尝试使用Tensorflow创建CNN，将图像分为 16个类。

我的原始图片尺寸为72x72x1，我的网络结构如下：

# Network
n_input  = dim  
n_output = nclass  # 16
weights  = {
    'wc1': tf.Variable(tf.random_normal([5, 5, 1, 32], stddev=0.1)),
    'wc2': tf.Variable(tf.random_normal([5, 5, 32, 64], stddev=0.1)),
    'wd1': tf.Variable(tf.random_normal([9*9*128, 1024], stddev=0.1)),
    'wd2': tf.Variable(tf.random_normal([1024, n_output], stddev=0.1))
}
biases   = {
    'bc1': tf.Variable(tf.random_normal([32], stddev=0.1)),
    'bc2': tf.Variable(tf.random_normal([64], stddev=0.1)),
    'bd1': tf.Variable(tf.random_normal([1024], stddev=0.1)),
    'bd2': tf.Variable(tf.random_normal([n_output], stddev=0.1))
}

这是我的转发网功能：

def conv_basic(_input, _w, _b, _keepratio):
# Input
_input_r = tf.reshape(_input, shape=[-1, 72, 72, 1])

# Conv1
_conv1 = tf.nn.relu(tf.nn.bias_add(
        tf.nn.conv2d(_input_r, _w['wc1'], strides=[1, 1, 1, 1], padding='SAME')
        , _b['bc1']))
_pool1 = tf.nn.max_pool(_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
mean, var = tf.nn.moments(_pool1, [0, 1, 2])
_pool1 = tf.nn.batch_norm_with_global_normalization(_pool1, mean, var, 1., 0., 1e-7, 0)
_pool_dr1 = tf.nn.dropout(_pool1, _keepratio)

# Conv2
_conv2 = tf.nn.relu(tf.nn.bias_add(
        tf.nn.conv2d(_pool_dr1, _w['wc2'], strides=[1, 1, 1, 1], padding='SAME')
        , _b['bc2']))
_pool2 = tf.nn.max_pool(_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
mean, var = tf.nn.moments(_pool2, [0, 1, 2])
_pool2 = tf.nn.batch_norm_with_global_normalization(_pool2, mean, var, 1., 0., 1e-7, 0)
_pool_dr2 = tf.nn.dropout(_pool2, _keepratio)

# Vectorize
_dense1 = tf.reshape(_pool_dr2, [-1, _w['wd1'].get_shape().as_list()[0]])

# Fc1
_fc1 = tf.nn.relu(tf.add(tf.matmul(_dense1, _w['wd1']), _b['bd1']))
_fc_dr1 = tf.nn.dropout(_fc1, _keepratio)

# Fc2
_out = tf.add(tf.matmul(_fc_dr1, _w['wd2']), _b['bd2'])

# Return everything
out = {
    'input_r': _input_r,
    'conv1': _conv1,
    'pool1': _pool1,
    'pool1_dr1': _pool_dr1,
    'conv2': _conv2,
    'pool2': _pool2,
    'pool_dr2': _pool_dr2,
    'dense1': _dense1,
    'fc1': _fc1,
    'fc_dr1': _fc_dr1,
    'out': _out
}
return out

当我尝试运行此操作时，出现错误："tensorflow.python.framework.errors.InvalidArgumentError: logits and labels must be same size: logits_size=[6,16] labels_size=[1,16]"

在cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(_pred, y))

行

我尝试过改变周围的wd1权重值，除了说要求的形状需要xxx的倍数之外，它只是更改括号中的值。

这些值（尤其是6）似乎非常随意，它们来自于它们。有人向我解释如何选择FC层神经元数量会很好，因为它似乎有点武断。

由于

编辑：我的完整代码https://gist.github.com/EricZeiberg/f0b138d859b9ed00ce045dc6b341e0a7

Answer 1

鉴于你的代码（并猜测它中缺少了什么），我认为你有这些参数和结果（如果错误，请纠正我）：

batch_size：1
num_classes：16
标签y：输入int，shape [batch_size, 1]
输出_pred：输入float32，应为形状[batch_size, num_classes]

在您的代码中，您只使用2个最大池，这会将输入要素图从[1, 72, 72, 1]缩小为[1, 18, 18, 64]。

在此步骤中，您应该写：

# Vectorize
_dense1 = tf.reshape(_pool_dr2, [1, 18*18*64])

您还应将矩阵wd1替换为：

'wd1': tf.Variable(tf.random_normal([18*18*64, 1024], stddev=0.1))

一般情况下，在这些情况下，您需要一步一步地打印每个形状，并自己实现，其中形状与您的预期不符。

Answer 2

很难说明你提供的内容，但似乎你输入批量大小为6的输入，但只为它们提供一个标签。您的数据来自哪里？

Tensorflow cnn错误：logits和标签必须大小相同：

2 个答案: