[英]Reduce output dimensions on LSTM keras
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)
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.