InvalidArgumentError: ConcatOp : Dimensões de insumos deve corresponder ao prever no X_test com Conv2D - por quê?

Question 1

Eu estou aprendendo Tensorflow e estou tentando construir um classificador na Moda MNIST conjunto de dados. Eu posso ajustar o modelo, mas quando eu tentar prever no meu teste eu recebo o seguinte erro:

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

Eu não receber um erro se eu prevejo sobre X_test em lotes, por exemplo:

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]

Eu passei algum tempo pesquisando e olhando para outros exemplos do mesmo erro, mas ainda não consigo descobrir o que eu estou fazendo de errado. Eu tentei algumas coisas diferentes, como a aplicação de escala e expanda dimensões passos manualmente para X_train e X_test antes de construir o modelo, mas obter o mesmo resultado.

Este é o meu código completo (usando Python 3.7.12 e Tensorflow 2.7.0):

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)

O que dá

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

Question 2

Com model.predict você está fazendo previsões sobre os lotes como dito aqui:

Cálculo é feito em lotes. Este método é projetado para o processamento em lotes de grandes quantidades de insumos. Ele não se destina para uso dentro de loops que iterar sobre os seus dados e o processo de um pequeno número de entradas de cada vez.

Mas o tamanho do X_test não é divisível por padrão batch_size=32. Acho que isso pode ser a causa do seu problema. Você pode mudar a sua batch_size 16 por exemplo, e vai funcionar:

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]]

Você também pode usar model.predict_on_batch(X_test) fazer previsões para um único lote de amostras. No entanto, são mais flexíveis, se você utilizar a função de chamadas do seu modelo diretamente:

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

Com model.predict você está fazendo previsões sobre os lotes como dito aqui:

Cálculo é feito em lotes. Este método é projetado para o processamento em lotes de grandes quantidades de insumos. Ele não se destina para uso dentro de loops que iterar sobre os seus dados e o processo de um pequeno número de entradas de cada vez.

Mas o tamanho do X_test não é divisível por padrão batch_size=32. Acho que isso pode ser a causa do seu problema. Você pode mudar a sua batch_size 16 por exemplo, e vai funcionar:

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]]

Você também pode usar model.predict_on_batch(X_test) fazer previsões para um único lote de amostras. No entanto, são mais flexíveis, se você utilizar a função de chamadas do seu modelo diretamente:

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]]

Agradecer a você, que trabalha!! Eu estou um pouco confuso sobre o 'lote' argumento - o que aconteceria se o meu tamanho de amostra era um número primo? Parece que eu vou precisar fazer mais do que ler sobre previsões :)

InvalidArgumentError: ConcatOp : Dimensões de insumos deve corresponder ao prever no X_test com Conv2D - por quê?

Pergunta

Melhor resposta

Em outros idiomas

Esta página está em outros idiomas

Popular nesta categoria

Perguntas populares nesta categoria