我正在使用帶有 tensorflow 后端的 keras，并且在為我的模型確定圖層的正確形狀時遇到了問題。我已經(jīng)閱讀了關于各種 keras 層屬性差異的有用解釋。這是我的模型的架構：我正在嘗試使用分類標簽進行二元分類（邏輯回歸），因此最后一層是具有 1 個單元的 Dense 層，我認為對于正類評估為 1，對于負類評估為 0。這是我的模型的總結：我在網(wǎng)絡一側的輸入是 10158，另一側是 20316。我總共有 1370 個樣本。我的 train_data 的形狀是 (1370, 1, 10158)，標簽的形狀是 (1, 1370)，批量大小是 100。input_layer = Input(shape=(1,no_terms), name='docs')s = Lambda(lambda x: x+1)(input_layer)log_layer = Lambda(log, name='tf_output')(input_layer)tpr_fpr = np.zeros((2, no_terms))tpr_fpr[0,:] = np.sum(train_docs[np.where(train_label>0), :]>0, axis=1 )/np.sum(train_label>0) * (1000)tpr_fpr[1,:] = np.sum(train_docs[np.where(train_label>0), :]>0, axis=1 )/np.sum(train_label <= 0) * (1000)k_constants = backend.constant(np.reshape(tpr_fpr.T, (1,2*no_terms)))fixed_input = Input(tensor=k_constants, shape=(1, 2*no_terms), name='tpr_fpr')h = Dense(int(300), activation='relu', name='hidden', input_shape=(1, 2*no_terms), trainable=True)(fixed_input)h = Dropout(0.2, name="D")(h)cd = Dense(units=no_terms, activation='relu', name='cd', trainable=True)(h)prod = Multiply()([log_layer, cd])o = Lambda(lambda x:(x/backend.sqrt(backend.sum(x * x,axis=1,keepdims=True))))(prod)o = ReLU(max_value=None, negative_slope=0.0, threshold=0.0)(o)o = Dense(1, activation='sigmoid', input_shape=(no_terms,))(o)model_const = Model(fixed_input,cd)model = Model([input_layer, fixed_input], o)op = optimizers.RMSprop(learning_rate=.1, rho=0.9)model.compile(optimizer=op, loss=mean_squared_error, metrics=['accuracy'])plot_model(model, to_file='model.png')model.summary()batchSize = 100這是我得到的錯誤：“ValueError：檢查目標時出錯：預期dense_1有3個維度，但得到了形狀為（1430、2）的數(shù)組”我不知道 (1430, 2) 形狀指的是什么以及為什么會出現(xiàn)此錯誤。
3 回答
繁星coding
TA貢獻1797條經(jīng)驗 獲得超4個贊
您確實確實直接解決了問題-方法如下：
Keras 二進制分類期望標簽（“目標”）形狀為
(batch_size, 1). 原因：最后一層的目標是輸出預測，將其與標簽進行比較以計算指標（損失、準確性等） - 并且標簽被塑造(batch_size, 1)以上也是問題所在 - 請參閱下面文檔
to_categorical中的片段；對于二進制分類，one-hot 編碼是多余的，因為直接將標簽與提供的預測進行比較binary_crossentropyKeras
Dense期望輸入是 2D:(batch_size, input_dim). 您的重塑使輸入 3D：(batch_size, 1, input_dim)以上也是
shape=(1, no_terms)-->shape=(no_terms,)幫助的原因；事實上，兩者都適合您當時提供的數(shù)據(jù)形狀。完整的批次形狀僅包括批次暗淡：(batch_size, no_terms)(no_terms == input_dim)最后，對于二元分類，
loss='binary_crossentropy'對分類問題使用 - 而不是均方誤差（除非出于非常特殊的原因）
# Consider an array of 5 labels out of a set of 3 classes {0, 1, 2}:
> labels
array([0, 2, 1, 2, 0])
# `to_categorical` converts this into a matrix with as many
# columns as there are classes. The number of rows
# stays the same.
> to_categorical(labels)
array([[ 1., 0., 0.],
[ 0., 0., 1.],
[ 0., 1., 0.],
[ 0., 0., 1.],
[ 1., 0., 0.]], dtype=float32)
婷婷同學_
TA貢獻1844條經(jīng)驗 獲得超8個贊
好吧，我找到了錯誤的解決方案，但仍然無法理解為什么以前的形狀沒有成功，坦率地說，這個修復在無數(shù)次嘗試和錯誤中取得了成功。
我將以下圖層輸入從形狀格式 (1, x) 更改為 (x,) 格式：
input_layer = Input(shape=(no_terms,), name='docs')
k_constants = backend.constant(np.reshape(tpr_fpr.T, (1,2*no_terms)))
fixed_input = Input(tensor=k_constants, shape=(2*no_terms,), name='tpr_fpr')
h = Dense(int(300), activation='relu', name='hidden', input_shape=(2*no_terms,), trainable=True)(fixed_input)
o = ReLU(max_value=None, negative_slope=0.0, threshold=0.0)(o)
o = Dense(1, activation='sigmoid', input_shape=(no_terms,))(o)
并且還從代碼中刪除了以下幾行：
train_docs.shape = (train_docs.shape[0], 1, train_docs.shape[1])
train_label = to_categorical(train_label, num_classes=2, dtype='float32')
現(xiàn)在我只使用形狀標簽 (#no_of_samples, 1)，它是二進制而不是分類標簽。
所以新的結構是：
我希望有人可以解釋以前的模型有什么問題，所以我會避免再次犯同樣的錯誤。
莫回無
TA貢獻1865條經(jīng)驗 獲得超7個贊
檢查目標：預期dense_1有3維，但得到的數(shù)組形狀為(1430, 2)"
這意味著 dense_1 有 3 個維度，但如果您在圖像處理中設計此模型，則您的輸入只有 2 個維度，在這種情況下，您已聲明圖像形狀 yhat 為 ((48,48),1) & ((48,48),3 ) 這里 1 用于灰度，3 用于 rgb 圖像
添加回答
舉報
0/150
提交
取消