Keras形状的训练特征

Question

我正在尝试使用keras train_on_batch函数训练nn。 我有39个功能，并且希望一批包含32个样本。 因此，对于每次训练迭代，我都有32个numpy数组的列表。

所以这是我的代码（这里每个batch_x是32个numpy数组的列表，每个数组包含39个功能）：

input_shape = (39,)

model = Sequential()
model.add(Dense(39, input_shape=input_shape)) # show you is only first layer
... 

for batch_x, batch_y in train_gen:
    model.train_on_batch(batch_x, batch_y)

但是突然我出现了一个错误：

Exception: Error when checking model input: the list of Numpy arrays
that you are passing to your model is not the size the model expected.
Expected to see 1 arrays but instead got the following list of 32 arrays:

我不太确定这是怎么回事。

PS我还尝试了不同的input_shape例如（ input_shape ），（ input_shape ）等。

Answer 1

您不想要32个大小为39的数组，而是想要一个大小为（32，39）的数组。

因此，您必须将input_shape更改为（None，39），使用None可以动态更改batch_size，并将batch_x更改为形状为numpy的数组（32，39）。

Answer 2

在Keras中， 输出而不是输入尺寸是第一个arg。 Keras文档首页示例非常清楚：

model.add(Dense(output_dim=64, input_dim=100))

调整该示例以符合您的要求：

model.add(Dense(output_dim=39, input_dim=39))

在您的代码中， Dense层中的第一个位置arg是39 ，这会将输出设置为39-D，而不是您可能假定的输入。 您说您有39个输入功能。 第一层（试图复制您想要的内容）不会对您的39维输入特征向量进行任何压缩或特征提取。

为什么不只为每一层设置输入和输出数组的尺寸（如示例中所示），而只保留input_ 形状呢？ 只是重塑您的输入（和标签）以符合默认假设？ 同样，您可以尝试在输入数据集（或输入数据集的某些部分）上运行基本的fit方法，然后再进行更复杂的安排，例如，按批进行手动培训。

以下是有关您的要素尺寸玩具问题的示例：

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.regularizers import l1l2

X = np.random.randn(1000, 39)
y = np.array([X[i,7:13].sum() for i in range(X.shape[0])])

nn = Sequential()
nn.add(Dense(output_dim=1, input_dim=39))
nn.compile('sgd', 'mse')
nn.fit(X, y, nb_epoch=10)

这使：

Epoch 1/10
1000/1000 [==============================] - 0s - loss: 4.6266      
...    
Epoch 10/10
1000/1000 [==============================] - 0s - loss: 1.4048e-04