转换后的CoreML模型的输出与Keras不同

Question

我正在Keras中训练LSTM下一个字符/单词预测器，并希望将其包含在iOS项目中。 当我将其转换为CoreML时，输出形状和值与我原来的Keras模型不匹配。

总结一下我的问题：

• 为什么我的转换模型的输出形状与原始模型不同，我怎样才能确保它们匹配？
• 为什么我从转换后的模型中获得不同的预测值？

我训练的模型有以下布局：

model = Sequential()
model.add(LSTM(128, input_shape=(SEQUENCE_LENGTH, len(chars))))
model.add(Dense(len(chars), activation = 'softmax'))
model.add(Activation('softmax'))

其中序列是长度为40（ sequence_length ）的chars列表，并且列出可能的字符列表。 在这种情况下，31。因此，模型的输出形状是(None,31)

如果我尝试使用转换模型

coreml_model = coremltools.converters.keras.convert(
               'keras_model.h5', 
               input_names=['sentence'], 
               output_names=['chars'], 
               class_labels = chars)

我收到以下错误：

NSLocalizedDescription = "The size of the output layer 'characters' in the neural network does not match the number of classes in the classifier.";

我想这是有道理的，因为输出形状具有无维度。

如果我不提供class_labels参数，它会很好地转换模型。 但是，当运行result = coreml_model.predict() ，我现在得到(40,31)的输出矩阵，而不是31个字符概率的单个列表。

结果中的所有条目都不匹配Keras模型中的值。 唯一的第一个条目对每个字符都有唯一的值 - 所有后面的条目都具有完全相同的值。

CoreML模型输出层具有以下元数据：

output {
  name: "characters"
  shortDescription: "Next predicted character"
  type {
    multiArrayType {
      shape: 31
      dataType: DOUBLE
    }
  }
}

非常感谢您的帮助！

Answer 1

错误在于CoreML与多维输入的不兼容性。 我找到了这个博客 ，它引导我朝着正确的方向前进。

因此，要修复它，我必须通过添加Reshape图层来平整输入，并将输入训练数据的大小调整为单个矢量。 新模型如下所示：

# Input is now a single vector of length 1240
input_shape = (SEQUENCE_LENGTH*len(chars))
model = Sequential()
# The reshape layer makes sure that I don't have to change anything inside the layers.
model.add(Reshape((SEQUENCE_LENGTH, len(chars)), input_shape=(input_shape,)))
model.add(LSTM(128, input_shape=(SEQUENCE_LENGTH, len(chars))))
model.add(Dense(len(chars)))
model.add(Activation('softmax'))

所有输入向量必须以相同的方式调整大小：

x = x.reshape(x.shape[0], input_shape)