logits和labels最后一个维度匹配不上，求大神指教！

最新推荐文章于 2022-10-07 14:47:26 发布

原创最新推荐文章于 2022-10-07 14:47:26 发布 · 993 阅读

0 ·

CC 4.0 BY-SA版权

笔记专栏收录该内容

3 篇文章

订阅专栏

博主在尝试运行一个用于多尺度输入4分类的3DU-net论文代码时，试图将其改编为单尺度二分类任务。但在实现过程中遇到logist和label维度不匹配的错误。博主期望得到关于如何调整代码以适配二分类问题的指导。

这几天在运行一个论文中别人改进的3D U-net，原代码是解决多尺度输入的4分类问题。我想把它改成单尺度的二分类也就是分割，但是在运行的时候，卡在了logist和label最后一个维度不匹配的错误上，希望大神可以救救孩子吧！(错误如下图)

在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

三分SH

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

深度学习的Logits：logist 是什么，上一维度的隐藏向量怎么获取

ZJQ的博客

07-23

468

深度学习中的Logits是模型最后一层输出的原始分数向量，未经Softmax归一化处理。其维度与词汇表大小相同，数值越大表示对应词的可能性越高。Logits通过模型隐藏层输出与词汇表权重矩阵的内积计算得到，需经Softmax转换为概率分布后才能体现可信度。文中以GPT-2和简单RNN为例，展示了如何获取隐藏层输出和计算Logits的过程，说明Logits数值需通过归一化比较才能反映词的可信程度。

logits and labels must be broadcastable: logits_size=[131072,9] labels_size=[131072,8]的错误

cuiy24的博客

09-07

5283

提示的错误为logits和标签必须是可广播的：logits_size = [131072,9] labels_size = [131072,8]，我理解的大致意思就是预测结果与标签尺寸不匹配，无法进行计算loss。这是我在debug到train_one_epoch以下部分时，出现了问题。 summary, step, _, loss_val, pred_val, _ = sess.run( [ ops["merged"], .

2 条评论您还未登录，请先登录后发表或查看评论

seq2seq logits和labels维度不一致问题

weixin_38889448的博客

05-24

2559

在decode阶段，训练结果的维度通常由trainingHelper中的sequence_length指定。training_logits的shape为batch_size*target_sequence_length*decoder_embeding_size,其中第二维度是每批target数据的固定长度，embeding_size是转换后的解码层维度，即decoder_embed_input向...

tf.contrib.seq2seq.sequence_loss 中logit和label shape不匹配报错

qq_42815385的博客

03-15

3634

在训练seq2seq网络时，单个gpu没有问题，但是当处理多个gpu并行时，问题来了：在train时，总会报错： InvalidArgumentError (see above for traceback): logits and labels must have the same first dimension, got logits shape [12,737] and labels sha...

tensorflow踩坑记之seq2seq

不忘初心，方得始终

08-20

6195

每次debug，都会发出灵魂拷问，“为什么我和别人的代码写的一模一样，但我的就是不对呢？”，每当此时，我的脑海中就会循环播放ykr童鞋的一句话“你以为一样，其实就是不一样，也许是输入格式就错了，也许是API换版本了，也许……”，是的，没错，这次就是输入和人家不一样，还自以为一模一样。问题描述：采用encoder-decoder框架实现基于关键词的文本生成，在训练阶段，decoder...

【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法

热门推荐

xf__mao的博客

11-28

12万+

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值 tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None) 除去name参数用以指定该操作的name，与方法有关的

[知乎作答]·神经网络对于输入的维度不一致的处理

简明AI工作室

06-02

1万+

[知乎作答]·神经网络对于输入的维度不一致的处理本文内容选自笔者在知乎上的一个作答，总结下来作为神经网络对于输入的维度不一致的处理教程。。 1.问题描述神经网络中，如果每次输入的维度不一致应该怎么处理？神经网络中，如果每次输入的维度不一致应该怎么处理？假设一队人，有时候这队人有三个（3个输入神经元），有时候这堆人有四个（四个输入）。 2.笔者作答由...

记一次错误的发现logits and labels must have the same first dimension

小姑仔的博客

07-20

4186

今天写代码的时候发现一次错误这里的模型内容定义如下： from nezha import Bert batch_size = 48 bertmodel = Bert(maxlen=max_seq_len,batch_size=batch_size,**config) input_ids1 = keras.layers.Input(shape=(None,),dtype='int32',name="token_ids1") input_ids2 = keras.layers.Input(shape=(Non

keras报错： ValueError: logits and labels must have the same shape

qsx123432的博客

09-23

1万+

keras报错：ValueError: logits and labels must have the same shape问题背景问题原因解决办法整体代码问题背景在一步一步搭建文本情感分类器的过程时，将数据处理成向量的形式；之后送入到 MLP模型中进行拟合训练；发生错误： ValueError: logits and labels must have the same shape ((None, 1) vs (None, 2)) 问题原因原因： logits 和 labels 需要有相同的

Tensorflow 中保存模型后加载后模型报维度不匹配错误

williamleejian的博客

11-28

1306

Tensorflow 中保存模型后加载后模型报维度不匹配错误 you must feed tensor with [?,784] 最后发现是占位符的名称错误重新使用加载模型的占位符后错误修改完成 logits, train_op, eval_correct, loss, data_placeholder, labels_placeholder = mnist_cnn_model(2500) feed_dict_lo = {str(data_placeholder.name):...

logits的含义以及tf.nn.softmax_cross_entropy_with_logits函数分析

luoxuexiong的博客

05-11

1350

本文转载于其他博客，如有冒犯还望谅解！ 1. 什么是logits？说到Logits，首先要弄明白什么是Odds？在英文里，Odds的本意是指几率、可能性。它和我们常说的概率又有什么区别呢？在统计学里，概率（Probability）描述的是某事件A出现的次数与所有事件出现的次数之比: P(A) = 发生事件A的次数/所有事件的次数。（公式1）很显然，概率 P...

Pytorch 的损失函数Loss function使用详解

weixin_36670529的博客

05-11

1万+

目录 1、损失函数 1、nn.L1Loss 2、nn.SmoothL1Loss 3、nn.MSELoss 4、nn.CrossEntropyLoss 5、nn.BCELoss 6、nn.NLLLoss 7、nn.NLLLoss2d 8、BCEWithLogitsLoss 与 MultilabelSoftMarginLoss 9、比较BCEWithLogitsLoss和Tenso...

NNDL 实验五前馈神经网络（2）自动梯度计算 & 优化问题

vvhvj的博客

10-07

491

在训练过程中，如果参数在一次不恰当的更新后，某个ReLU神经元在所有训练数据上都不能被激活（即输出为0），那么这个神经元自身参数的梯度永远都会是0，在以后的训练过程中永远都不能被激活。继承了paddle.nn.Layer类的算子中，可以在内部直接调用其它继承paddle.nn.Layer类的算子，飞桨框架会自动识别算子中内嵌的paddle.nn.Layer类算子，并自动计算它们的梯度，并在优化时更新它们的参数。当网络层数很深时，梯度就会不停衰减，甚至消失，使得整个网络很难训练，这就是所谓的梯度消失问题。

【Python】-使用loss遇到的维度不一致等问题解决

图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖

07-15

1865

目录 1、简介 2、解决 3、参考 1、简介最近在看各种Loss对实验结果的影响，但是发现使用的时候回出现一些些问题，于是开始解决。另外关于CE-loss公式推导理解 2、解决 BCE2分类举例 ## 下面是 Sigmoid 二分类模型 import torch import torch.nn as nn model = nn.Sequential( nn.Linear(10, 1), ## 二分类 nn.Sigmoid() ) criterion = nn.B

tensorflow 分类损失函数问题（有点坑）

tiankongtiankong01的博客

12-03

3382

tf.nn.softmax_cross_entropy_with_logits(记为f1) 和 tf.nn.sparse_softmax_cross_entropy_with_logits(记为f3),以及 tf.nn.softmax_cross_entropy_with_logits_v2(记为f2) 之间的区别。 f1和f3对于参数logits的要求都是一样的，即未经处理的，直接由神经网络输...

Tensorflow搭建卷积神经网络问题及解决

天然玩家的博客

10-04

811

本文针对使用Tensorfolw搭建卷积神经网络遇到的问题进行解析和解决。问题1 ValueError: Only call `softmax_cross_entropy_with_logits` with named arguments (labels=..., logits=..., ...) 【原因】 #softmax_cross_entropy_with_logits未指定logi...

深度学习训练时问题：调参/类别不平衡

weixin_40485502的博客

05-11

2246

快速迭代，过拟合：刚开始, 先上小规模数据, 模型往大了放, 只要不爆显存, 能用256个filter你就别用128个. 直接奔着过拟合去. 没错, 就是训练过拟合网络, 连测试集验证集这些都可以不用.为什么?+ 你要验证自己的训练脚本的流程对不对. 这一步小数据量, 生成速度快, 但是所有的脚本都是和未来大规模训练一致的(除了少跑点循环)+ 如果小数据量下, 你这么粗暴的大网络奔着过拟合去都没效果. 那么, 你要开始反思自己了, 模型的输入输出是不是有问题? 要不要检查自己的代码(永远不要怀疑工具库, .

如何使用 tf.debugging.assert_equal 函数来确保 logits 和 labels 的形状匹配。

06-07

可以使用 `tf.debugging.assert_equal` 函数来确保 `logits` 和 `labels` 的形状匹配。这个函数会检查两个张量的形状是否相同，如果不相同，则会抛出异常并停止程序的运行。下面是一个简单的例子： ```python import tensorflow as tf logits = tf.random.normal([64, 10]) labels = tf.random.uniform([64], maxval=10, dtype=tf.int32) tf.debugging.assert_equal(tf.shape(logits), tf.shape(labels)) ``` 在这个例子中，`logits` 的形状是 `[64, 10]`，`labels` 的形状是 `[64]`，我们使用 `tf.debugging.assert_equal` 函数来检查这两个张量的形状是否相同。如果这两个张量的形状不同，程序会抛出异常并停止运行。在使用交叉熵损失函数训练神经网络时，可以在每个 batch 计算损失时加入这个检查，例如： ```python import tensorflow as tf model = tf.keras.Sequential([...]) # 定义模型 optimizer = tf.keras.optimizers.Adam(learning_rate=0.001) # 定义优化器 loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True) # 定义损失函数 for epoch in range(num_epochs): for step, (x_batch_train, y_batch_train) in enumerate(train_dataset): with tf.GradientTape() as tape: logits = model(x_batch_train, training=True) loss_value = loss_fn(y_batch_train, logits) tf.debugging.assert_equal(tf.shape(logits), tf.shape(y_batch_train)) # 检查形状是否匹配 gradients = tape.gradient(loss_value, model.trainable_weights) optimizer.apply_gradients(zip(gradients, model.trainable_weights)) ``` 在这个例子中，我们使用 `tf.debugging.assert_equal` 函数来确保 `logits` 和 `y_batch_train` 的形状匹配。如果形状不匹配，程序会抛出异常并停止运行。这样可以避免因为形状不匹配导致的训练错误，提高代码的鲁棒性。