InvalidArgumentError:ConcatOp：各方面的投入应当预测在X_test与Conv2D-为什么？

Question 1

我在学习Tensorflow和我在试图建立一个分类在时尚MNIST数据集。我可以配合的模型，但是当我试图预测我的测试设置的，我得到的以下错误：

y_pred = model.predict(X_test).argmax(axis=1)

InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat

我不会得到一个错误，如果我预测在X_test在批，例如：

y_pred = []
step_size = 10
for i in trange(0, len(X_test), step_size):
  y_pred += model.predict(X_test[i:i+step_size]).argmax(axis=1).tolist()[0]

我已经花了一些时间搜索和寻找其他的例子相同的错误，但仍然不能弄清楚我在做什么错误的。我已经尝试了一些不同的东西，例如施加的规模和扩大尺寸的步骤手动X_train和X_test之前建立模型，但获得相同的结果。

这是我的全代码(采用Python3.7.12和Tensorflow2.7.0):

import tensorflow as tf # 2.7.0
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# load data 
mnist = tf.keras.datasets.fashion_mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# Build model 

# Input 
inputs = tf.keras.Input(shape=X_train[0].shape)

# # Scale 
x = tf.keras.layers.Rescaling(scale=1.0/255)(inputs)

# Add extra dimension for use in conv2d
x = tf.expand_dims(x, -1)

# Conv2D
x = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation="relu", strides=2)(x)
x = tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3), activation="relu", strides=2)(x)

# Flatten
x = tf.keras.layers.Flatten()(x),
x = tf.keras.layers.Dropout(rate=.2)(x)  # 20% chance of dropout  
x = tf.keras.layers.Dense(512, activation='relu')(x)
x = tf.keras.layers.Dropout(rate=.2)(x)   
x = tf.keras.layers.Dense(K, activation='softmax')(x)

model = tf.keras.Model(inputs=inputs, outputs=x)

# Compile
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# Fit
r = model.fit(X_train, y_train, validation_data=[X_test, y_test], epochs=10)

# Throws an error
y_pred = model.predict(X_test).argmax(axis=1)

这给

InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat

Question 2

与 model.predict 你作出的预测在批次作为说明在这里:

计算完成批处理。这个方法设计用于批量处理大量的投入。它的目的不是为使用内部回路迭代过你的数据和处理数量较少的投入的时间。

但尺寸的 X_test 是不是均匀可分的，默认的 batch_size=32. 我认为这可能是因为你的问题。你可以改变你 batch_size 16例如，它将工作：

y_pred = model.predict(X_test, batch_size=16).argmax(axis=1)
print(y_pred)

[[ 8  0  2 ... 14  8  2]
 [15 15  8 ... 10  8 14]
 [ 5 13  4 ...  4  5  6]
 ...
 [11 11 12 ...  7  2  3]
 [ 3  8  0 ... 15  3 14]
 [ 3 13  1 ...  1 15  0]]

你也可以使用 model.predict_on_batch(X_test) 要做出预测为一个单一的批量样品。但是，你是最为灵活，如果您使用的电话功能模型的直接:

y_pred = model(X_test[:10])
tf.print(tf.argmax(y_pred, axis=1), summarize=-1)

[[2 8 0 1 1 1 8 2 2 6]]

AloneTogether · Answer 1 · 2021-11-22T13:44:08

与 model.predict 你作出的预测在批次作为说明在这里:

计算完成批处理。这个方法设计用于批量处理大量的投入。它的目的不是为使用内部回路迭代过你的数据和处理数量较少的投入的时间。

但尺寸的 X_test 是不是均匀可分的，默认的 batch_size=32. 我认为这可能是因为你的问题。你可以改变你 batch_size 16例如，它将工作：

y_pred = model.predict(X_test, batch_size=16).argmax(axis=1)
print(y_pred)

[[ 8  0  2 ... 14  8  2]
 [15 15  8 ... 10  8 14]
 [ 5 13  4 ...  4  5  6]
 ...
 [11 11 12 ...  7  2  3]
 [ 3  8  0 ... 15  3 14]
 [ 3 13  1 ...  1 15  0]]

你也可以使用 model.predict_on_batch(X_test) 要做出预测为一个单一的批量样品。但是，你是最为灵活，如果您使用的电话功能模型的直接:

y_pred = model(X_test[:10])
tf.print(tf.argmax(y_pred, axis=1), summarize=-1)

[[2 8 0 1 1 1 8 2 2 6]]

谢谢你，这工作！! 我有点感到困惑的'批'的论点-会发生什么，如果我的样本大小的物质数? 貌似我会需要做更多的阅读有关的预测:)

InvalidArgumentError:ConcatOp：各方面的投入应当预测在X_test与Conv2D-为什么？

的问题

最好的答案

其他语言

此页面有其他语言版本

受欢迎的此类别

流行的问题，在这个类别