tensorflowにおけるmnist分類でbut the requested shape requires a multiple of 6272というエラーが出る

Question

実現したいこと

tensorflowを使って自分で組んだCNNでMNISTデータセットの分類を行いたい

発生している問題

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

上記のコードでmnistデータセットを読み込んだ後に畳み込み層、プーリング層、全結合層を作って実行すると次のエラーが起きてしまいます。

InvalidArgumentError (see above for traceback): Input to reshape is a tensor with 2097152 values, but the requested shape requires a multiple of 6272

このエラーが出たときは畳み込み層を3層作った後に全結合層を2層作るとこのエラーが起きました。しかし、畳み込み層を2層に減らしたところこのエラーは消え、分類を行うことができました。
下記がエラーが出たときに加えていた三層目です。

    #畳み込み3
    with tf.name_scope('conv3') as scope:
        W_conv3 = weight_variable([5, 5, 64, 128])
        b_conv3 = bias_variable([128])
        h_conv3 = tf.nn.relu(conv2d(h_pool2, W_conv3) + b_conv3)
   #プーリング3
    with tf.name_scope('pool3') as scope:
        h_pool3 = max_pool_2x2(h_conv3)

このように畳み込み層の3層目を書いていたところエラーが出てしまったのですが、何かおかしいところはありますか。
また、下記がエラーが出ていた時の全結合層の一層目です。

    # 全結合層1
    with tf.name_scope('fc1') as scope:
        W_fc1 = weight_variable([7*7*128, 1024])
        b_fc1 = bias_variable([1024])
        h_pool3_flat = tf.reshape(h_pool3, [-1, 7*7*128])
        h_fc1 = tf.nn.relu(tf.matmul(h_pool3_flat, W_fc1) + b_fc1)

下記が全体のコードです

import sys
import os
import numpy as np
import tensorflow as tf
import tensorflow.python.platform

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

NUM_CLASSES = 10
IMAGE_SIZE = 28
IMAGE_PIXELS = IMAGE_SIZE*IMAGE_SIZE

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_integer('max_steps', 20, 'Number of steps to run trainer.')
flags.DEFINE_integer('batch_size', 1024, 'Batch size'
                     'Must divide evenly into the dataset sizes.')
flags.DEFINE_float('learning_rate', 1e-4, 'Initial learning rate.')

def inference(images_placeholder, keep_prob):

    def weight_variable(shape):
      initial = tf.truncated_normal(shape, stddev=0.1)
      return tf.Variable(initial)

    def bias_variable(shape):
      initial = tf.constant(0.1, shape=shape)
      return tf.Variable(initial)

    def conv2d(x, W):
      return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

    def max_pool_2x2(x):
      return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                            strides=[1, 2, 2, 1], padding='SAME')

    x_image = tf.reshape(images_placeholder, [-1, IMAGE_SIZE, IMAGE_SIZE, 1])
    print(x_image.shape)


    # 畳み込み層1の作成
    with tf.name_scope('conv1') as scope:
        W_conv1 = weight_variable([5, 5, 1, 32])
        b_conv1 = bias_variable([32])
        h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

    # プーリング層1の作成
    with tf.name_scope('pool1') as scope:
        h_pool1 = max_pool_2x2(h_conv1)

    # 畳み込み層2の作成
    with tf.name_scope('conv2') as scope:
        W_conv2 = weight_variable([5, 5, 32, 64])
        b_conv2 = bias_variable([64])
        h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

    # プーリング層2の作成
    with tf.name_scope('pool2') as scope:
        h_pool2 = max_pool_2x2(h_conv2)

    # 畳み込み層3の作成
    with tf.name_scope('conv3') as scope:
        W_conv3 = weight_variable([5, 5, 64, 128])
        b_conv3 = bias_variable([128])
        h_conv3 = tf.nn.relu(conv2d(h_pool2, W_conv3) + b_conv3)
        
    # プーリング層3の作成
    with tf.name_scope('pool3') as scope:
        h_pool3 = max_pool_2x2(h_conv3)

    # 全結合層1の作成
    with tf.name_scope('fc1') as scope:
        W_fc1 = weight_variable([7*7*128, 1024])
        b_fc1 = bias_variable([1024])
        h_pool3_flat = tf.reshape(h_pool3, [-1, 7*7*128])
        h_fc1 = tf.nn.relu(tf.matmul(h_pool3_flat, W_fc1) + b_fc1)
        h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

    # 全結合層2の作成
    with tf.name_scope('fc2') as scope:
        W_fc2 = weight_variable([1024, NUM_CLASSES])
        b_fc2 = bias_variable([NUM_CLASSES])

    with tf.name_scope('softmax') as scope:
        y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

    return y_conv

def loss(logits, labels):

    cross_entropy = -tf.reduce_sum(labels*tf.log(logits))
    tf.summary.scalar("cross_entropy", cross_entropy)
    return cross_entropy

def training(loss, learning_rate):

    train_step = tf.train.AdamOptimizer(learning_rate).minimize(loss)
    return train_step

def accuracy(logits, labels):

    correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(labels, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    tf.summary.scalar("accuracy", accuracy)
    return accuracy

if __name__ == '__main__':

    with tf.Graph().as_default():
        images_placeholder = tf.placeholder("float", shape=(None, IMAGE_PIXELS))

        labels_placeholder = tf.placeholder("float", shape=(None, NUM_CLASSES))

        keep_prob = tf.placeholder("float")


        logits = inference(images_placeholder, keep_prob)

        loss_value = loss(logits, labels_placeholder)

        train_op = training(loss_value, FLAGS.learning_rate)

        acc = accuracy(logits, labels_placeholder)

        saver = tf.train.Saver()

        sess = tf.Session()

        sess.run(tf.global_variables_initializer())

        summary_op = tf.summary.merge_all()
        summary_writer = tf.summary.FileWriter('./logs', sess.graph)

        for step in range(FLAGS.max_steps):
            for i in range(int(len(mnist.train.images)/FLAGS.batch_size)):

                batch = FLAGS.batch_size * i

                sess.run(train_op, feed_dict={
                  images_placeholder: mnist.train.images[batch:batch+FLAGS.batch_size],
                  labels_placeholder: mnist.train.labels[batch:batch+FLAGS.batch_size],
                  keep_prob: 0.5})

            train_accuracy = sess.run(acc, feed_dict={
                images_placeholder: mnist.train.images,
                labels_placeholder: mnist.train.labels,
                keep_prob: 1.0})
            print ("step {}, training accuracy {}".format(step, train_accuracy))

            summary_str = sess.run(summary_op, feed_dict={
                images_placeholder: mnist.train.images,
                labels_placeholder: mnist.train.labels,
                keep_prob: 1.0})
            summary_writer.add_summary(summary_str, step)

            print ("test accuracy {}".format(sess.run(acc, feed_dict={
                images_placeholder: mnist.test.images,
                labels_placeholder: mnist.test.labels,
                keep_prob: 1.0})))

            summary_str_1 = sess.run(summary_op, feed_dict={
                images_placeholder: mnist.test.images,
                labels_placeholder: mnist.test.labels,
                keep_prob: 1.0})
            summary_writer.add_summary(summary_str_1, step)

    cwd = os.getcwd()
    save_path = saver.save(sess, cwd + "//model.ckpt")
    sess = tf.InteractiveSession()
    saver.restore(sess, "model.ckpt")

補足情報

開発環境
・python 3.6.6
・tensorflow 1.12.0

Answer 1

畳み込み層の出力が (OUT_H, OUT_W, OUT_C) であるとした場合、それを flatten して (OUT_HOUT_WOUT_C,) の1次元テンソルになります。
これが全結合層の入力となるので、全結合層の出力数が N とした場合、この全結合層の重み W は (OUT_HOUT_WOUT_C, N) となります。

問題なのは OUT_HOUT_WOUT_C の部分ですが、これが 77128 となっているので、畳み込み層が出力する特徴マップの形状は (7, 7, 128) でなければなりませんが、1個畳み込み層を追加してしまったことにより、この値が異なってしまったのではないでしょうか。

conv2d に padding="SAME" 引数を指定すると、入出力で大きさが変わらなくなるので、これを追加した conv2d に指定すれば直ると思います。

Comments

[vaitarika]

回答ありがとうございます。
conv2dの部分ですが、ここはもとからpadding="SAME"を指定してあります。
他にどのような修正方法があるでしょうか。

[tiitoi]

質問のコードにはないようですが、実際は指定しているということなのでしょうか？
コードの断片だけだとわからないので、「コピペしたらそのまま動かせるコード全体」を質問欄を編集して貼っていただけますか

[vaitarika]

了解致しました。
コード全体を添付しました。

[tiitoi]

質問では「畳み込み層を追加したら」と記載されてますが、プーリング層 pool3 も質問者さんが独自に追加されましたか？
pool3 の出力を print(pool3.shape) とすると、(?, 4, 4, 128) となっており、7*7*128 の全結合層とこのままでは接続することはできないため、エラーになっています。

[tiitoi]

とりあえず 7*7*128 を 4*4*128 に直せばエラーは解消するかと思います。

```
W_fc1 = weight_variable([4*4*128, 1024])
b_fc1 = bias_variable([1024])
h_pool3_flat = tf.reshape(h_pool3, [-1, 4*4*128])
```

[vaitarika]

プーリング層も自分で追加しました。
ご指摘いただいた通り直したところ、エラーは解消されました。ありがとうございました。
しかし、直したプログラムで分類を行なってみたところ、かなり低いaccuracyになってしまい、なおかつtrainもtestもどちらもaccuracyが変わらない状態になってしまいました。
原因がわからないのですが、どのようにすれば改善されるでしょうか。

[tiitoi]

プログラムのバグとかではないと思います。
プーリングすると画像サイズは半分になります。(stride=2 でやった場合)
元は2回プーリングして (28, 28) -> (14, 14) -> (7, 7) となっていたものが、1回追加したことで (4, 4) とかなり小さくなってしまったので、そこまでプーリングする必要はなかったのではないでしょうか？
MNIST は簡単な問題なので、ネットワークをそこまで深くする必要はないように思います。深くするほど精度が上がるかというと問題によります。

[vaitarika]

わかりやすい説明ありがとうございます。
確かにそうですね。この場合は2層でやってみようと思います。
今、犬猫判別を行なっていて、そこでは画像サイズを(56,56)にしているのですがこの場合では畳み込み、プーリング層を2層ずつにするとaccuracyが0.5で変化しなくなってしまいました。
この場合は層の数が少ないということなのでしょうか。また、strideやパッチサイズについてどのくらいの値で行えば良いのかいまいち分かっていないのですが、手探りでやっていくしかないのでしょうか。

[tiitoi]

バッチサイズ: 大きいほうが計算時間は早くなるが、小さいほうが精度がよくなる場合が多い。ハイパーパラメータなので 64, 32, 16, 8 など試して一番精度がいいのを採用する

> この場合は層の数が少ないということなのでしょうか。また、strideやパッチサイズについてどのくらいの値で行えば良いのかいまいち分かっていないのですが手探りでやっていくしかないのでしょうか。

既存の実績があるモデル構造をまず試されるとよいと思います。
AlexNet, VGG、GoogLeNet, ResNet
VGG、GoogLeNet, ResNet は関数1つでモデルを作成できるものが TensorFlow で提供されていたと思います。

[tiitoi]

犬猫判別を Keras で学習する方法を過去に回答したことがあるので、一応貼っておきます。
https://teratail.com/questions/153195

[vaitarika]

何度もありがとうございます。参考にさせていただきます。
このプログラムにおいて例えば畳み込み層1の
W_conv1 = weight_variable([5, 5, 1, 32])
の４つ目の引数(32)、出力チャンネル数とはどのようにして決まっているのでしょうか。

[tiitoi]

どのように決まっているというのは、どこで指定しているのかという質問でしょうか？
例えば、ResNet50 であれば、以下のようにしてモデルを作成でき、summary() でモデルの概要を出力できます。

import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50

model = ResNet50(weights='imagenet')
model.summary()

[vaitarika]

以前に「ゼロから作るDeep Learning」を読んだときに、CNNの畳み込み層の出力はパディングやストライドによって決まるということだったと記憶しているのですが、ここでもそのように出力の数を他のパラメータから計算して求める必要があるのでしょうか。それともこの場合は、出力を自分で設定するということなのでしょうか。

[vaitarika]

Kerasでの犬猫判別参考にさせていただきました。とてもわかりやすく、ためになりました。
その中で、犬猫の画像データをテスト用と訓練用に分けるという部分があったのですが、ResNet-50を用いて行う分類では犬と猫にフォルダーを分けておけば特にラベル付けのようなことは行わなくてよいということでしょうか。

[tiitoi]

> 「ゼロから作るDeep Learning」を読んだときに、CNNの畳み込み層の出力はパディングやストライドによって決まる

その認識はあっています。
モデルを作成する方法として TensorFlow ではいくつかの方法が提供されています。

(1) 質問ように各層を重みを格納するためのテンソルを作っていく方法
→ 重みは前の層の入力と出力数などのパラメータから決まるので1つずつ出力がどうなるかを計算して、しっかり合うように形状を指定しなければならない。
例えるなら、パズルのようなものだと思ってください。パズルのピースが合わない場合、質問のようなエラーになります。(繋げられない)

(2) Keras API を使う
畳込み層、全結合層といった各層がオブジェクト化されており、それを繋げてくだけでよい。
(1) の煩わしい部分を内部に隠蔽して使いやすくなっている。
TensorFlow にも統合されています。
https://www.tensorflow.org/guide/keras

(3) 提供されている有名なモデルを使う。
VGG16、ResNet50 などの有名なモデルは関数1つで作成できるような API が Keras (Tensorflow) で提供されています。
先程貼った犬猫の回答のサンプルコードではこちらを使っています。

自分でモデルを作る場合も基本的には (2) がおすすめです。
Keras 単体でも tensorflow に統合されている tf.keras も API は同じなので、使うならどちらでもよいと思います。

[vaitarika]

とてもわかりやすい説明ありがとうございます。
ということは今回自分が使っているのは(1)の場合ということでしょうか。だとすると、32,64,128などは他の値を変えたときに自分で変える必要があるということでしょうか。

[tiitoi]

(1) だと変える必要があります。変えないと前後の層との整合性が取れなくなって質問のようなエラーになります。
(2) だとそういうのは自動で計算されます。

[vaitarika]

ありがとうございます。
Kerasでの犬猫判別においては、特にラベル付けなどを行わずにファイルごとにまとめることによって分類を行なっているという認識でよろしいでしょうか。

[tiitoi]

> 特にラベル付けなどを行わずにファイルごとにまとめることによって分類を行なっているという認識でよろしいでしょうか。

Keras の ImageDataGenerator の機能を使ってます。
各クラスの画像を分けておいたフォルダのパスを指定すると学習に必要なデータ形式を返すジェネレーターを作成できる機能があります。(ラベル付けなどもフォルダ構成に基づき、自動でつけてくれる)

クラス分類以外のタスクでは使えませんが、クラス分類の場合には便利です。
使い方などは以下を参照ください。
https://qiita.com/croquette0212/items/9bb41c698d65282e5bb2
https://keras.io/ja/preprocessing/image/

[vaitarika]

画像の水増しだけでなく、ラベル付けなどまでしてくれるとても便利なものがあるのですね。感動しました。
Kerasは色々と触ったつもりでしたが、まだ知らないことだらけなのでKerasも触っていこうと思います。