8

我的输入如下所示：

[
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
...]

的 shape(1, num_samples, num_features)和如下所示的标签：

[
[0, 1]
[1, 0]
[1, 0]
...]

的形状(1, num_samples, 2)。

但是，当我尝试运行以下 Keras 代码时，我收到此错误： ValueError: Error when checking model target: expected dense_1 to have 2 dimensions, but got array with shape (1, 8038, 2). 根据我的阅读，这似乎源于我的标签是二维的，而不仅仅是整数。这是正确的，如果是这样，我如何在 Keras 中使用 one-hot 标签？

这是代码：

num_features = 463
trX = np.random(8038, num_features)
trY = # one-hot array of shape (8038, 2) as described above

def keras_builder():  #generator to build the inputs
    while(1):
        x = np.reshape(trX, (1,) + np.shape(trX))
        y = np.reshape(trY, (1,) + np.shape(trY))
        print(np.shape(x)) # (1, 8038, 463)
        print(np.shape(y)) # (1, 8038, 2)
        yield x, y

model = Sequential()
model.add(LSTM(100, input_dim = num_features))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit_generator(keras_builder(), samples_per_epoch = 1, nb_epoch=3, verbose = 2, nb_worker = 1)

这会立即引发上述错误：

Traceback (most recent call last):
  File "file.py", line 35, in <module>
    model.fit_generator(keras_builder(), samples_per_epoch = 1, nb_epoch=3, verbose = 2, nb_worker = 1)
  ...
ValueError: Error when checking model target: expected dense_1 to have 2 dimensions, but got array with shape (1, 8038, 2)

谢谢！

4

1 回答 1

6

有很多事情没有加起来。

我假设您正在尝试解决顺序分类任务，即您的数据形状为(<batch size>, <sequence length>, <feature length>).

在您的批次生成器中，您创建一个批次，该批次由一个长度为 8038 的序列和每个序列元素 463 个特征组成。您创建一个匹配的 Y 批次进行比较，由一个包含 8038 个元素的序列组成，每个元素的大小为 2。

您的问题是Y与最后一层的输出不匹配。你Y是 3 维的，而你的模型的输出只是 2 维的：Y.shape = (1, 8038, 2)不匹配dense_1.shape = (1,1)。这解释了您收到的错误消息。

解决方案：您需要return_sequences=True在 LSTM 层中启用以返回序列而不是仅返回最后一个元素（有效地去除时间维度）。(1, 8038, 100)这将在 LSTM 层给出输出形状。由于该Dense层无法处理顺序数据，因此您需要将其单独应用于每个序列元素，这是通过将其包装在TimeDistributed包装器中来完成的。然后，这将为您的模型提供输出形状(1, 8038, 1)。

您的模型应如下所示：

from keras.layers.wrappers import TimeDistributed

model = Sequential()
model.add(LSTM(100, input_dim=num_features, return_sequences=True))
model.add(TimeDistributed(Dense(1, activation='sigmoid')))

在检查模型摘要时可以很容易地发现这一点：

print(model.summary())
于 2017-01-26T02:24:49.237 回答