ValueError：找到暗淡为 3 的数组。预计估计器 <= 2。（Keras，Sklearn）

Posted 2023-03-12

【中文标题】ValueError：找到暗淡为 3 的数组。预计估计器 <= 2。（Keras，Sklearn）

【英文标题】：ValueError: Found array with dim 3. Estimator expected <= 2. ( Keras, Sklearn)

【发布时间】：2020-07-10 06:54:28

【问题描述】：

我正在尝试使用 Adrian Rosebrock 教程中的这段代码训练模型，使用我的自定义数据集来检测面部表情。

INIT_LR = 1e-3
EPOCHS = 30
BS = 10

print("[INFO] loading images...")
imagePaths = list(paths.list_images(args["dataset"]))
data = []
labels = []


for imagePath in imagePaths:
# extract the class label from the filename
    label = imagePath.split(os.path.sep)[-2]


    image = cv2.imread(imagePath)
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    image = cv2.resize(image, (48, 48))

    data.append(image)
    labels.append(label)
data = np.array(data) / 255.0
labels = np.array(labels)

# perform one-hot encoding on the labels
lb = LabelBinarizer()
labels = lb.fit_transform(labels)
labels = to_categorical(labels)

(trainX, testX, trainY, testY) = train_test_split(data, labels,
test_size=0.20, stratify=labels, random_state=42) # line 80

trainAug = ImageDataGenerator(
   rotation_range=15,
   fill_mode="nearest")
baseModel = VGG16(weights="imagenet", include_top=False,
input_tensor=Input(shape=(48, 48, 3)))

headModel = baseModel.output
headModel = AveragePooling2D(pool_size=(4, 4))(headModel)
headModel = Flatten(name="flatten")(headModel)
headModel = Dense(64, activation="relu")(headModel)
headModel = Dropout(0.5)(headModel)
headModel = Dense(7, activation="softmax")(headModel)


model = Model(inputs=baseModel.input, outputs=headModel)

for layer in baseModel.layers:
layer.trainable = False

print("[INFO] compiling model...")
opt = Adam(lr=INIT_LR, decay=INIT_LR / EPOCHS)
model.compile(loss="categorical_crossentropy", optimizer=opt,
metrics=["accuracy"])
print("[INFO] training head...")
H = model.fit_generator(

trainAug.flow(trainX, trainY, batch_size=BS),
steps_per_epoch=len(trainX) // BS,
validation_data=(testX, testY),
validation_steps=len(testX) // BS,
epochs=EPOCHS) # InvalidArgumentError : Incompatible shapes

此代码适用于两个类（二进制分类）。 我想让这个脚本训练一个包含 7 个类的数据集。 我做了一些更改，但是当我执行这段代码时，我得到了这个错误：

[INFO] 正在加载图片...

Traceback（最近一次调用最后一次）：

文件“train_mask.py”，第 80 行，在

test_size=0.20，stratify=labels，random_state=42)，在 check_array 中

% (array.ndim, estimator_name))

ValueError: 找到暗淡为 3 的数组。预计估计器

我应该怎么做才能使这段代码适用于多标签分类，而不是二元分类？

【问题讨论】：

data的形状是什么？

维度为(48,48)

不是维度，image.shape，我猜是(48, 48, 3)，因为它是RGB 图像，对吧？

是的，是吗，我的意思是(48, 48, 3)

执行to_categorical(labels)后labels的形状是什么？另外，请修复图像路径循环上的缩进

【参考方案1】：

通常，stratify 参数采用一个层或标签数组，而不是单热编码标签。

如果您删除分层，它会运行吗？如果是这样，只需删除创建一个变量，如 hotlabels，这样您就不会覆盖原始标签数组。

这取决于您使用的 train_test_split 函数。如果是 scikit，它应该是一个标签数组。

https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html

【讨论】：

谢谢，这个解决方案现在对我有用，但我现在遇到了其他错误 tensorflow.python.framework.errors_impl.InvalidArgumentError: 不兼容的形状：[10,7] vs. [10] [[ node metrics/acc/Equal]] [[node ConstantFoldingCtrl/loss/dense_1_loss/broadcast_weights/assert_broadcastable/AssertGuard/Switch_0]]

不是，标签的形状是(981, 7, 2)

这是在编译还是拟合阶段？这不是在您上面发布的代码之后吗？

是的，我已经更新了我的代码，并在导致错误的行中添加了注释。

你应该可以在热编码之前用stratifylabels = np.array(labels)再次放入分层。然后将其用作分层参数。虽然如果你的 emojii 面部表情已经非常具有代表性，那么它不应该那么重要。