batch_size = x.shape [0] AttributeError：“元组”对象没有属性“ shape”

Question

此代码结合了图像和遮罩以进行图像检测？
我该如何纠正该错误？

batch_size = x.shape [0] AttributeError：“元组”对象没有属性“ shape”

这是用于训练的代码：

train_datagen = ImageDataGenerator(
            rescale=1. / 255,
            shear_range=0.2,
            zoom_range=0.2,
            horizontal_flip=True)
train_datagen_1 = ImageDataGenerator(
            rescale=1. / 255,
            shear_range=0.2,
            zoom_range=0.2,
            horizontal_flip=True)


train_generator = train_datagen.flow_from_directory(
            train_data_dir,
            target_size=(200, 150),
            batch_size=1
          )
train_generator_1= train_datagen_1.flow_from_directory(
            train_data_dir_1,
            target_size=(200, 150),
            batch_size=1)
train_generator_2 = zip( train_generator, train_generator_1)

model.fit_generator(
            train_generator_2,
            steps_per_epoch=nb_train_samples // batch_size,
            epochs=50)

这是我正在使用的模型：

model = Sequential() 
model.add(Conv2D(32, (3, 3), input_shape=(200, 150, 3))) 
model.add(Activation('relu')) 
model.add(MaxPooling2D(pool_size=(2, 2))) 
model.add(Flatten()) 
model.add(Dense(20)) model.add(Activation('relu')) 
model.add(Dropout(0.5)) 
model.add(Dense(90000)) 
model.add(Activation('sigmoid')) 
model.compile(loss='mse', optimizer='rmsprop', metrics=['accuracy'])

Answer 1

所选答案不准确。代码失败的原因不是因为元组属于((input1,output1), (input2,output2)), ...)，而是因为它们属于(((input1, class1), (input2, class2), ...), ((output1, class1), (output2, class2), ...)).

您可以通过简单地添加class_mode=None到您的flow_from_directory呼叫来解决您的问题。

Answer 2

因此，由于您的模型只有一个输出，因此无法像这样加入两个生成器。

• 生成器必须输出类似(input,output)元组的东西。
• 您的((input1,output1), (input2,output2))在一个元组中输出，元组。

当您的模型从生成器中获取一批时，它会尝试使其形状为input，而是找到了(input,output)。

工作发电机：

您可能可以像这样创建自己的生成器：

def myGenerator(train_generator,train_generator1):

    while True:

        xy = train_generator.next() #or next(train_generator)
        xy1 = train_generator1.next() #or next(train_generator1)
        yield (xy[0],xy1[0])

实例化它：

train_generator2 = myGenerator(train_generator,train_generator1)

现在，您将在输出形状上遇到真正的麻烦。如果要处理图像之间的图像，建议您使用纯卷积模型。

卷积层输出(Batch, Side1, Side2, channels)，这是您在图像中使用的形状。

但是输出密集的层(Batch, size)。这只有在以后调整形状Reshape((200,150,3))以匹配“真实图像” 时才有效。

提示：模型中间的Dense 20可能太小，无法代表整个图像。（当然，这取决于您的任务）。

此任务可能的模型是：

Conv
... Maybe more convs
MaxPooling
Conv
... Maybe more convs
MaxPooling
Conv

......

UpSampling
Conv
...
UpSampling
Conv
....

每次卷积都会padding='same'使您的生活更轻松。（但由于一维为150，因此必须在某个点上对值进行填充，因为当达到75时，MaxPooling将删除/添加一个像素（75不能除以2）。