[英]Keras - Wrong input shape in LSTM dense layer
我试图建立一个lstm
使用文本分类Keras
。
这是模型结构:
model_word2vec = Sequential()
model_word2vec.add(Embedding(input_dim=vocabulary_dimension,
output_dim=embedding_dim,
weights=[word2vec_weights,
input_length=longest_sentence,
mask_zero=True,
trainable=False))
model_word2vec.add(LSTM(units=embedding_dim, dropout=0.25, recurrent_dropout=0.25, return_sequences=True))
model_word2vec.add(Dense(3, activation='softmax'))
model_word2vec.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
results = model_word2vec.fit(X_tr_word2vec, y_tr_word2vec, validation_split=0.16, epochs=3, batch_size=128, verbose=0)
其中y_tr_word2vec
是一个 3 维的one-hot
编码变量。
当我运行上面的代码时,我收到此错误:
ValueError: Error when checking model target: expected dense_2 to have 3 dimensions, but got array with shape (15663, 3)
我想问题可能与y_tr_word2vec
形状或batch size
,但我不确定。
更新:
我已将return_sequences=False
, y_tr_word2vec
从one-hot
更改为categorical
,密集层中有1
神经元,现在我使用sparse_categorical_crossentropy
而不是categorical_crossentropy
。
现在,我收到此错误: ValueError: invalid literal for int() with base 10: 'countess'
。
因此,现在我认为,在fit()
期间,包含句子的输入向量X_tr_word2vec
出现问题。
问题是这段代码
model_word2vec.add(LSTM(units=dim_embedding, dropout=0.25, recurrent_dropout=0.25, return_sequences=True))
model_word2vec.add(Dense(3, activation='softmax'))
您已经设置return_sequences=True
,这意味着 LSTM 将返回一个 3D 数组到密集层,而密集不需要 3D 数据...所以删除 return_sequences=True
model_word2vec.add(LSTM(units=dim_embedding, dropout=0.25, recurrent_dropout=0.25))
model_word2vec.add(Dense(3, activation='softmax'))
你为什么设置 return_sequences=True?
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.