keras载入模型报错ValueError: The channel dimension of the inputs should be defined. Found `None’ ,解决思路
错误详情
用tensorflow2的keras接口写了一个VGG模型,运行后保存模型。第二次运行代码载入该模型时报错。
提示该语句出错
model = tf.keras.models.load_model(r’./model1.h5’)
错误提示
raise ValueError('The channel dimension of the inputs ’
ValueError: The channel dimension of the inputs should be defined. FoundNone
.
其它博主解决方法
先是查了下其他网友的方法
如果在使用keras模型出现ValueError: The channel dimension of the inputs should be defined. Found `None’
表示你要将图像数据格式改为(h,w,channel),这个可以在
C:\Users\alin.keras下打开keras.json文件
将"image_data_format": “channels_first”, 修改为"image_data_format": “channels_last”,
即可,这个问题一直困扰我很久,希望给大家一些提示吧
试了该方法,没有用,而且我的文件这个值就是channels_last,不需要修改。只能从错误提示入手了。
应该是提示我这个 模型的输入没有找到channel维度,重新回去查看下代码。
解决方法
下面是我的模型代码
#模型构建
modl = Sequential([
# 第一层
layers.Conv2D(64, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第二层
layers.Conv2D(128, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第三层
layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
# 第四层
layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第五层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
# 第六层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第七层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
# 第八层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
layers.Flatten(), # 拉直 7*7*512
# 第九层
layers.Dense(1024, activation='relu'),
layers.Dropout(rate=0.5),
# 第十层
layers.Dense(128, activation='relu'),
layers.Dropout(rate=0.5),
# 第十一层
layers.Dense(10)]
)
modl.build(input_shape=[None,256,256,3])
modl.summary()
modl.compile(optimizer=optimizers.Adam(learning_rate=0.0001),loss=losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy'])
filepath = r"./tempModel.h5"
#学习率减半
lr_reducer = tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=5,mode='min', min_lr=1e-20)
# 保存最优模型
checkpointer = tf.keras.callbacks.ModelCheckpoint(filepath, monitor='val_accuracy', verbose=0, save_best_only=True, mode='max', period=1, save_weights_only=True)
#早停
earlystopper = tf.keras.callbacks.EarlyStopping(
monitor='val_loss',
patience=10,
verbose=0,
mode='min')
print("exit")
history = modl.fit(db_train,epochs=50,validation_data=db_val,validation_freq=1,callbacks=[earlystopper, checkpointer,lr_reducer])
print("exit1")
modl.save('./model1.h5')
检查了几遍都觉得没啥问题,困扰了我很久,而且我另外写的一个手写数字集的识别就没有这个问题。尤其是模型的输入地方,检查了很久,modl.build(input_shape=[None,256,256,3]),觉得有这句话应该不会造成输入的维度不对。
直到今天用tf自带的预训练模型和自己写的模型混合起来训练进行模型保存后,居然可以正常载入模型。代码如下:
modl_base = tf.keras.applications.ResNet50(include_top=False,weights='imagenet')
modl =Sequential([])
modl.add(modl_base)
modl.add(layers.GlobalAveragePooling2D())
modl.add(layers.Dense(512,activation='relu'))
modl.add(layers.Dense(100,activation='relu'))
modl.add(layers.Dense(2,activation=tf.nn.softmax))
modl_base.trainable = True
modl.build(input_shape=[None,256,256,3])
modl.summary()
所以意识到应该是我自己写的模型最开始一层是有问题的,对比了一些规范的代码后发现问题应该是我第一层没有用input层,导致模型保存的时候没有正确的保存,正确模型写法如下:
#模型构建
modl = Sequential([
layers.Input((256, 256, 3)),
# 第一层
layers.Conv2D(64, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第二层
layers.Conv2D(128, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第三层
layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
# 第四层
layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第五层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
# 第六层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
# 第七层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
# 第八层
layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
layers.MaxPooling2D(pool_size=2, strides=2),
layers.Flatten(), # 拉直 7*7*512
# 第九层
layers.Dense(1024, activation='relu'),
layers.Dropout(rate=0.5),
# 第十层
layers.Dense(128, activation='relu'),
layers.Dropout(rate=0.5),
# 第十一层
layers.Dense(33)]
)
modl.build(input_shape=[None,256,256,3])
modl.summary()
就是在第一层之前加上一个 layers.Input((256, 256, 3))。
问题解决了。而且想了下为什么手写数字集的模型没问题,应该是因为那个模型是一个线性模型,没有用的卷积,只有2个维度,所以没有造成冲突,有些情况下那样写也没出错。
大家如果还有问题,欢迎讨论。