如何获得卷积神经网络的 2D 输出

如何解决如何获得卷积神经网络的 2D 输出

我正在为康奈尔抓取数据集开发卷积神经网络。

我正在尝试使用自定义损失函数，根据输入图像将形状的预测抓取参数 (n,1,5) 与形状的真实抓取参数 (n,40,5) 进行比较，其中n 是样本数。

在自定义损失函数中，重复/复制预测的抓取参数以匹配真实抓取参数的形状，以便正确进行比较。

但是，当我尝试训练模型时，出现以下错误：

ValueError: Dimensions must be equal,but is 40 and 50 for '{{node Equal}} = Equal[T=DT_INT64,incompatible_shape_error=true](ArgMax,ArgMax_1)' 输入形状：[50,40]， [50]。

我认为这与真实抓取参数的维度有关，因为当我只使用真实抓取参数 (1,5) 中的一个列表而不是列表列表时，代码运行良好。

这是模型的架构（它是一个顺序模型）：

 Layer (type)                 Output Shape              Param #   
 =================================================================
 conv2d_30 (Conv2D)           (None,111,64)      1792      
 _________________________________________________________________
 max_pooling2d_29 (MaxPooling (None,55,64)        0         
 _________________________________________________________________
 conv2d_31 (Conv2D)           (None,27,128)       73856     
 _________________________________________________________________
 max_pooling2d_30 (MaxPooling (None,13,128)       0         
 _________________________________________________________________
 conv2d_32 (Conv2D)           (None,11,128)       147584    
 _________________________________________________________________
 max_pooling2d_31 (MaxPooling (None,5,128)         0         
 _________________________________________________________________
 flatten_5 (Flatten)          (None,3200)              0         
 _________________________________________________________________
 dense_50 (Dense)             (None,512)               1638912   
 _________________________________________________________________
 dense_51 (Dense)             (None,256)               131328    
 _________________________________________________________________
 dense_52 (Dense)             (None,128)               32896     
 _________________________________________________________________
 dense_53 (Dense)             (None,64)                8256      
 _________________________________________________________________
 dense_54 (Dense)             (None,5)                 325       
 =================================================================
 Total params: 2,034,949
 Trainable params: 2,949
 Non-trainable params: 0

以及创建模型的代码：

model = tf.keras.Sequential([
      Conv2D(64,kernel_size=3,strides=(2,2),activation='relu',input_shape=(224,224,3)),MaxPooling2D(pool_size=(2,2)),Conv2D(128,activation='relu'),Flatten(),Dense(512,Dense(256,Dense(128,Dense(64,Dense(5) #output layer 
      ])

这也是自定义损失函数的代码（基于mean_squared-error）：

import tensorflow.keras.backend as K
def min_mse(y_true,y_pred):
    y_pred_temp = K.repeat(y_pred,K.shape(y_true)[1])

    min_mse = [] # creating an empty list to store the min MSE

    # we set this to 50 thus batch size for learning must always be 50
    for i in range(50):
        min_mse.append(K.mean(K.square(y_pred_temp[i][:] - y_true[i][:]))) # computing the MSE
    
    return tf.convert_to_tensor(min_mse) #converting the MSE List to a Tensor

有什么办法可以让神经网络输出一个二维数组而不是单个值？