Плохой аргумент для функции theano, неправильное количество измерений

Выходные данные вашего прогноза имеют форму (размер пакета, 20), но ваша переменная y_sym является типом ivector, поэтому, предположительно, это вектор длины пакета. Я не уверен, что именно это вызывает ошибку, но я не думаю, что вы можете вычислить квадрат ошибки для этих двух величин. Один матричный, другой векторный, их формы не совпадают?

Каковы ваши цели регрессии? Если вы прогнозируете 20 чисел для каждой точки данных, ваш y_sym, вероятно, должен быть матрицей, тогда вы можете вычислить квадрат ошибки.

Другая возможность состоит в том, чтобы изменить последний слой, чтобы нелинейность была сигмовидной. Таким образом, вы можете интерпретировать свою сверточную нейронную сеть как производящую вероятности с несколькими метками. Затем вы можете синтетически создать целевые переменные вероятности с несколькими метками для вашей регрессии. Одним из примеров является, скажем, точка данных x имеет несколько меток 0, 1, 10. Вы можете создать вектор длины 20, где 0, 1, 10 похожи на 1-a для некоторого маленького a, а другие записи являются небольшими положительными числами. .

Вы также можете переключить свою целевую функцию на двоичную перекрестную энтропию. В этом случае мы не выполняем регрессию. Тем не менее, наша сеть по-прежнему выводит матрицу оценки класса, а не вектор. Обычно это функция потерь, используемая при обнаружении присутствия K различных объектов на изображении (например, кошка, собака, человек, автомобиль, велосипед и т. д.), например. многоуровневая классификация. Если вы хотите попробовать этот маршрут, мы изменим наш последний слой следующим образом:

net['fc8'] = DenseLayer(net['drop7'], num_units=20, nonlinearity=sigmoid)

Теперь я буду интерпретировать свою сеть как вывод вероятностей; каждая вероятность будет представлять собой показатель достоверности того, считает ли наша сеть, что этот класс объектов находится на изображении.

Теперь у нас будет следующая функция потерь:

X_sym = T.tensor4()
y_sym = T.imatrix() 
output_layer = net['fc8']
probabilities = lasagne.layers.get_output(output_layer, X_sym)
loss = lasagne.objectives.binary_crossentropy(probabilities, y_sym)
loss = loss.mean()
... the rest of the update stuff...
train_fn = theano.function([X_sym, y_sym], loss, updates=updates)

Ключевое отличие здесь в том, что наша целевая переменная y_sym теперь является матрицей. Это должна быть матрица размера {0,1} (размер пакета, K), где 0 представляет объект, отсутствующий на изображении, а 1 представляет объект, присутствующий на изображении.

А для вычисления точности предсказания с несколькими метками обычно используется оценка F1. Здесь приведена ссылка на то, как вычислить F1-оценку с помощью scikit-learn. В этом случае наша функция проверки будет другой, она может выглядеть примерно так:

 from sklearn.metrics import f1_score
 probabilities_fn = theano.function([X_sym], probabilities)
 confidence_threshold = .5 
 predictions = np.where(probabilities_fn(X_sym) > confidence_threshold, 1, 0)  
 f1_score(y_true, predictions, average='micro')

Приведенный выше фрагмент кода возвращает оценки вероятности/достоверности из нашей сети и любую вероятность, превышающую наш параметр trust_threshold, здесь я выбираю 0,5, мы будем интерпретировать это как присутствующую метку класса.