在我洗掉了compile步驟的損失函式（將其設定為等于loss=None）并添加了一個，目的是通過該add_loss方法添加另一個損失函式后，我的代碼遇到了問題。我可以打電話fit，它訓練一個時代，但后來我得到這個錯誤：
ValueError: operands could not be broadcast together with shapes (128,) (117,) (128,)
我的批量大小是 128。它看起來117在某種程度上取決于我使用的示例數量。當我改變示例的數量時，我從117. 它們都是我的示例數量，修改了我的批量大小。我不知道如何解決這個問題。我tf.data.TFRecordDataset用作輸入。
我有以下簡化模型：
class MyModel(Model):
def __init__(self):
super(MyModel, self).__init__()
encoder_input = layers.Input(shape=INPUT_SHAPE, name='encoder_input')
x = encoder_input
x = layers.Conv2D(64, (3, 3), activation='relu', padding='same', strides=2)(x)
x = layers.BatchNormalization()(x)
x = layers.Conv2D(32, (3, 3), activation='relu', padding='same', strides=2)(x)
x = layers.BatchNormalization()(x)
x = layers.Flatten()(x)
encoded = layers.Dense(LATENT_DIM, name='encoded')(x)
self.encoder = Model(encoder_input, outputs=[encoded])
self.decoder = tf.keras.Sequential([
layers.Input(shape=LATENT_DIM),
layers.Dense(32 * 32 * 32),
layers.Reshape((32, 32, 32)),
layers.Conv2DTranspose(32, kernel_size=3, strides=2, activation='relu', padding='same'),
layers.Conv2DTranspose(64, kernel_size=3, strides=2, activation='relu', padding='same'),
layers.Conv2D(3, kernel_size=(3, 3), activation='sigmoid', padding='same')])
def call(self, x):
encoded = self.encoder(x)
decoded = self.decoder(encoded)
# Loss function. Has to be here because I intend to add another, more layer-interdependent, loss function.
r_loss = tf.math.reduce_sum(tf.math.square(x - decoded), axis=[1, 2, 3])
self.add_loss(r_loss)
return decoded
def read_tfrecord(example):
example = tf.io.parse_single_example(example, CELEB_A_FORMAT)
image = decode_image(example['image'])
return image, image
def load_dataset(filenames, func):
dataset = tf.data.TFRecordDataset(
filenames
)
dataset = dataset.map(partial(func), num_parallel_calls=tf.data.AUTOTUNE)
return dataset
def train_autoencoder():
filenames_train = glob.glob(TRAIN_PATH)
train_dataset_x_x = load_dataset(filenames_train[:4], func=read_tfrecord)
autoencoder = Autoencoder()
# The loss function used to be defined here and everything worked fine before.
def r_loss(y_true, y_pred):
return tf.math.reduce_sum(tf.math.square(y_true - y_pred), axis=[1, 2, 3])
optimizer = tf.keras.optimizers.Adam(1e-4)
autoencoder.compile(optimizer=optimizer, loss=None)
autoencoder.fit(train_dataset_x_x.batch(AUTOENCODER_BATCH_SIZE),
epochs=AUTOENCODER_NUM_EPOCHS,
shuffle=True)
uj5u.com熱心網友回復：
如果你只是想擺脫錯誤并不在乎最后的“剩女”的批生產資料集，您可以使用關鍵字引數drop_remainder=True的內部train_dataset_x_x.batch()，這樣，您的所有批次將是相同的尺寸。
僅供參考，通常更好的做法是在函式呼叫之外批處理您的資料集fit：
data = data.batch(32)
model.fit(data)
uj5u.com熱心網友回復：
無法在 call 方法中設定損失函式。call 方法旨在進行前向傳遞而不是計算損失。
你需要在編譯方法中或之后添加損失函式
轉載請註明出處，本文鏈接：https://www.uj5u.com/gongcheng/334344.html