Alimentando una imagen 2D a un CNN de TensorFlow para clasificación de imágenes.

Gracias por ayudar con esto. Estoy tratando de entrenar una red neuronal convolucional para predecir un aspecto binario de mi sistema utilizando TensorFlow. Tengo aproximadamente 1000 ndarray, de tamaño 400x400x3, que contienen flotantes. Esto es similar (creo) a una imagen RGB; los tres aspectos de mi imagen no son de color, sino las salidas de tres funciones diferentes, pero eso no es relevante aquí. Cada uno de estos ndarray está asociado con una etiqueta binaria, ya sea 0 o 1. Soy nuevo en TensorFlow, aunque sólido en los principios del aprendizaje automático, por lo que realmente agradeceré la guía sobre cómo decodificar errores. Creo que la forma en que he organizado las capas es extraña, pero he intentado seguir el tutorial muy de cerca, así que no sé por qué.

Mi código es el siguiente:

noofsamples = 1035
trainbatches = 30
BATCHSIZE = 23
SHUFFLEBUFFERSIZE = 50

data, labels = np.load("totalimagedata.npy", allowpickle=True), np.load("labels.npy", allowpickle=True)

dividir en conjuntos de entrenamiento y prueba

trainindices = np.random.choice([i for i in range(noofsamples)], size=trainbatches*BATCHSIZE)
testindices = [i for i in range(noofsamples) if i not in train_indices]

datatrain, labelstrain = [data[i] for i in trainindices], [labels[i] for i in trainindices]
datatest, labelstest = [data[i] for i in testindices], [labels[i] for i in testindices]

traindataset = tf.data.Dataset.fromtensorslices((datatrain, labelstrain))
testdataset = tf.data.Dataset.fromtensorslices((datatest, labelstest))

traindataset = traindataset.shuffle(SHUFFLEBUFFERSIZE).batch(BATCHSIZE)
testdataset = testdataset.batch(BATCHSIZE)

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(200, 5, strides=3, activation='relu', inputshape=(BATCHSIZE, 400, 400, 3)),
    tf.keras.layers.Conv2D(100, 5, strides=2, activation="relu"),
    tf.keras.layers.Conv2D(50, 5, activation="relu"),
    tf.keras.layers.Conv2D(25, 3, activation="relu"),
    tf.keras.layers.MaxPooling2D(3),
    tf.keras.layers.Conv2D(50, 3, activation="relu"),
    tf.keras.layers.Conv2D(25, 3, activation="relu"),
    tf.keras.layers.MaxPooling2D(3),
    tf.keras.layers.Conv2D(50, 2, activation="relu"),
    tf.keras.layers.Conv2D(25, 2, activation="relu"),

tf.keras.layers.GlobalMaxPooling2D(),

# Finalmente, agregamos una capa de clasificación.
tf.keras.layers.Dense(2)


])

model.compile(optimizer=tf.keras.optimizers.RMSprop(),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(fromlogits=True),
              metrics=['sparsecategorical_accuracy'])

model.fit(labelstrain, datatrain, epochs=10, batchsize=BATCHSIZE)

model.evaluate(labelstest, datatest)

Y el error que obtengo cuando lo ejecuto es el siguiente:

Traceback (most recent call last):
  File "training.py", line 36, in <module>
    model = tf.keras.Sequential([
  File "/local//ac3/lib/python3.8/site-packages/tensorflow/python/training/tracking/base.py", line 530, in methodwrapper
    result = method(self, args, *kwargs)
  File "/local//ac3/lib/python3.8/site-packages/keras/utils/tracebackutils.py", line 67, in errorhandler
    raise e.withtraceback(filteredtb) from None
  File "/local/**/ac3/lib/python3.8/site-packages/keras/engine/inputspec.py", line 213, in assertinputcompatibility
    raise ValueError(f'Input {inputindex} of layer "{layername}" '
ValueError: Input 0 of layer "maxpooling2d" is incompatible with the layer: expected ndim=4, found ndim=5. Full shape received: (None, 23, 58, 58, 25)

Cualquier ayuda para decodificar esto sería muy apreciada.

ACTUALIZACIÓN: ¡errores nuevos y emocionantes! Después de recibir ayuda de algunos miembros generosos de la comunidad, mi código ahora se ve así:

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

noofsamples = 1035
BATCHSIZE = 16
SHUFFLEBUFFER_SIZE = 50

data, labels = np.load("totalimagedata.npy", allowpickle=True), np.load("labels.npy", allowpickle=True)

print(np.shape(data)) ##esto produce una salida (1035, 400, 400, 3)
print(np.shape(labels)) ##esto produce una salida (1035, )

dividir en conjuntos de prueba y entrenamiento

dataset = tf.data.Dataset.fromtensorslices((data, labels)).shuffle(SHUFFLEBUFFERSIZE)
testdataset = dataset.take(100).batch(BATCHSIZE)
traindataset = dataset.skip(100).batch(BATCHSIZE)

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(200, 5, strides=3, activation='relu', input_shape=(400, 400, 3)),
    tf.keras.layers.Conv2D(100, 5, strides=2, activation="relu"),
    tf.keras.layers.Conv2D(50, 5, activation="relu"),
    tf.keras.layers.Conv2D(25, 3, activation="relu"),
    tf.keras.layers.MaxPooling2D(3),
    tf.keras.layers.Conv2D(50, 3, activation="relu"),
    tf.keras.layers.Conv2D(25, 3, activation="relu"),
    tf.keras.layers.MaxPooling2D(3),
    tf.keras.layers.Conv2D(50, 2, activation="relu"),
    tf.keras.layers.Conv2D(25, 2, activation="relu"),

tf.keras.layers.GlobalMaxPooling2D(),

# Finalmente, agregamos una capa de clasificación.
tf.keras.layers.Dense(1)


])

print('Labels shape -->',labels.shape)
print('Labels -->', labels)

model.compile(optimizer=tf.keras.optimizers.RMSprop(),
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['accuracy'])

model.fit(traindataset, epochs=10)
model.evaluate(testdataset)

Esto se compila y se ejecuta bien, pero informa una pérdida de nan y una precisión invariante en épocas del 58% (la prevalencia de línea de base de lo que estoy buscando es del 38%). Nuevamente, me arrojo sobre tu misericordia.