所以,我正在建立一个完全卷积网络(FCN),基于Marvin Teichmann’s tensorflow-fcn
我的输入图像数据暂时是750x750x3 RGB图像.
在通过网络运行后,我使用shape [batch_size,750,2]的logits进行损失计算.
这是一个二进制分类 – 我这里有两个类,[0,1]在我的标签中(形状[batch_sizex750x750].这些进入损失函数,如下：
def loss(logits,labels,num_classes):
with tf.name_scope('loss mine'):
logits = tf.to_float(tf.reshape(logits,[-1,num_classes]))
#CHANGE labels type to int,for sparse_softmax...
labels = tf.to_int64(tf.reshape(labels,[-1]))
print ('shape of logits: %s' % str(logits.get_shape()))
print ('shape of labels: %s' % str(labels.get_shape()))
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits,name='Cross_Entropy')
tf.add_to_collection('losses',cross_entropy)
loss = tf.add_n(tf.get_collection('losses'),name='total_loss')
return loss
这些是重塑后的logits和标签的形状：
shape of logits: (562500,2)
shape of labels: (562500,)
在这里,它抛出一个ValueError说明：
Shapes () and (562500,) are not compatible
完整追溯如下：
File "train.py",line 89,in 建议？我执行的tf.add_to_collection(‘loss’,cross_entropy)是错误的吗？
更新：
我尝试在没有像素求和的情况下运行它(或者我认为),通过直接返回上面代码中的cross_entropy作为损失.
它似乎有效. (它现在从训练优化器函数抛出一个ValueError,说明：没有为任何变量提供渐变.
假设这与我的体重初始化和正规化有关,而不是其他任何事情.
更新2：
以上(关于由于没有梯度而导致的ValueError)是微不足道的.如here所述,当定义的任何tf.Variable对象与正在最小化的丢失张量之间没有路径时,通常会遇到此消息.
使用tf.add_n的初始问题仍然存在.我假设它与Graph集合在TensorFlow中的工作方式有关.初始化我的变量后,错误现在显示为：
Shapes () and (?,) are not compatible
最佳答案
关闭.原来在损失函数中的代码缺少平均求和.对于遇到此问题的任何其他人,修改下面的损失函数,它应该工作正常.
原文链接：/python/438598.html cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits,name='Cross_Entropy')
cross_entropy_mean = tf.reduce_mean(cross_entropy,name='xentropy_mean')
tf.add_to_collection('losses',cross_entropy_mean)
loss = tf.add_n(tf.get_collection('losses'),name='total_loss')
return loss