当有多个输出时，如何修正ValueError（x和y应该具有相同的长度）？

Question

我正在建立一个模型，它有一个图像输入（130130,1）和3个输出，每个输出包含一个（10,1）向量，其中softmax单独应用。你知道吗

(Inspired by J. Goodfellow, Yaroslav Bulatov, Julian Ibarz, Sacha Arnoud, and Vinay D. Shet. Multi-digit number recognition from street view imagery using deep convolutional neural networks. CoRR, abs/1312.6082, 2013. URL http://arxiv.org/abs/1312.6082 , sadly they didn't publish their network).

input = keras.layers.Input(shape=(130,130, 1)
l0 = keras.layers.Conv2D(32, (5, 5), padding="same")(input)
[conv-blocks etc]
l12 = keras.layers.Flatten()(l11)
l13 = keras.layers.Dense(4096, activation="relu")(l12)
l14 = keras.layers.Dense(4096, activation="relu")(l13)
output1 = keras.layers.Dense(10, activation="softmax")(l14)
output2 = keras.layers.Dense(10, activation="softmax")(l14)
output3 = keras.layers.Dense(10, activation="softmax")(l14)

model = keras.models.Model(inputs=input, outputs=[output1, output2, output3])
model.compile(loss=['categorical_crossentropy', 'categorical_crossentropy', 
              'categorical_crossentropy'],
              loss_weights=[1., 1., 1.],
              optimizer=optimizer,
              metrics=['accuracy'])

train_generator = train_datagen.flow(x_train,
              [[y_train[:, 0, :], y_train[:, 1, :], y_train[:, 2, :]], 
              batch_size=batch_size)

但是我得到：值错误：x（图像张量）和y（标签）应该有相同的长度。发现：x.shape=（1000，130，130，1），y.shape=（3，1000，10）

但如果我把它改成：

 [same as before]
 train_generator = train_datagen.flow(x_train,
              y_train, 
              batch_size=batch_size)

然后我得到：ValueError:检查模型目标时出错：传递给模型的Numpy数组列表不是模型所期望的大小。预计将看到3个阵列

• 尺寸（x×U列）=（1000、130、130、1）
  • 其中每个图像是（130，130，1），有1000个图像
• 尺寸（y\列车）=（1000、3、10）

在documentation中，它是这样说的

model = Model(inputs=[main_input, auxiliary_input], outputs= 
[main_output, auxiliary_output])

然而，我不知道你怎么能有相同的长度输出和输入？你知道吗

Answer 1

感谢@Djib2011。当我在文档中查找示例以便在字典中传递它时，我注意到所有示例都使用model.fit()，而不是model.fit_generator()。你知道吗

所以我做了研究，发现还有一个bug（从2016年开始开放！）用于具有单输入和多输出的ImageDataGenerator。 悲惨的故事。你知道吗

所以解决方法是使用model.fit()而不是model.fit_generator()。你知道吗