減少LSTM keras的輸出尺寸

Question

下面是我的模型架構。 數據是一個時間序列，我只需要預測最后一個值，因此return_sequences=False 。

但這正是在這里造成問題的原因。 我已經能夠使用sequences=True運行nnet，但這不是我需要做的。

我需要輸入大小（32,50,88） =（batch_size，timesteps，features）並獲得（32,88）的輸出大小 =（batch_size，labels）

特征和標簽具有相同的大小，但無關緊要。

此代碼中的錯誤是：

ValueError：檢查目標時出錯：預期density_1具有2維，但數組的形狀為（32，50，88）

這是在培訓階段發生的（意思是該架構有效）。

數據從生成器中以（32,50,88）的塊形式輸入，標簽也具有相同的大小。 由於我使用keras ，因此需要通過生成器創建批次。 我試圖添加一個（50,88），但根本不起作用。

我怎么有這種架構，獲得（32,50,88）的輸入，但僅獲得（32,88）作為輸出？

簡而言之，我需要timestep + 50預測...我認為..

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

您的模型是正確的，問題出在檢查目標時 ，這意味着您的training_generator返回了錯誤的目標形狀。

看一下print(next(training_generator()))並確保它返回形狀為(32, 50, 88), (32, 88)的元組。