减少LSTM keras的输出尺寸

Question

下面是我的模型架构。 数据是一个时间序列，我只需要预测最后一个值，因此return_sequences=False 。

但这正是在这里造成问题的原因。 我已经能够使用sequences=True运行nnet，但这不是我需要做的。

我需要输入大小（32,50,88） =（batch_size，timesteps，features）并获得（32,88）的输出大小 =（batch_size，labels）

特征和标签具有相同的大小，但无关紧要。

此代码中的错误是：

ValueError：检查目标时出错：预期density_1具有2维，但数组的形状为（32，50，88）

这是在培训阶段发生的（意思是该架构有效）。

数据从生成器中以（32,50,88）的块形式输入，标签也具有相同的大小。 由于我使用keras ，因此需要通过生成器创建批次。 我试图添加一个（50,88），但根本不起作用。

我怎么有这种架构，获得（32,50,88）的输入，但仅获得（32,88）作为输出？

简而言之，我需要timestep + 50预测...我认为..

def note_model():
    visible = Input(shape=(50,88), batch_shape=(32,50,88))
    hidden1 = Bidirectional(LSTM(200, stateful=False, return_sequences=False,  kernel_regularizer=l1(10**(-4)), dropout=0.5))(visible)
    #flat = Flatten()(hidden1)
    output = Dense(88, activation='sigmoid')(hidden1)

    model = Model(inputs=visible, outputs=output)
    print(model.summary())
    return model


    def train_note_model(model):
    checkpoint_path_notes = "1Layer-200units-loss=BCE-Model-{epoch:02d}-{val_acc:.2f}.hdf5"
    model.compile(optimizer='SGD', loss='binary_crossentropy', metrics=['accuracy']) #mean_squared_error
    monitor = EarlyStopping(monitor='val_loss', min_delta=1e-3, patience=10, verbose=0, mode='min')
    reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.3, patience=10, min_lr=0.001)
    checkpoint = ModelCheckpoint(checkpoint_path_notes,monitor='val_loss', verbose=1, save_best_only=True, save_weights_only=False, mode='auto', period=1)
    model.fit_generator(training_generator(), steps_per_epoch=2, 
                        callbacks=[monitor, reduce_lr, checkpoint],
                        validation_data= validation_generator(), validation_steps= 2,
                        verbose=1, epochs=10, shuffle=True)

model_try = note_model()
train_note_model(model_try)

Answer 1

您的模型是正确的，问题出在检查目标时 ，这意味着您的training_generator返回了错误的目标形状。

看一下print(next(training_generator()))并确保它返回形状为(32, 50, 88), (32, 88)的元组。