卷積神經網絡中的形狀誤差

Question

我正在嘗試訓練具有以下結構的神經網絡：

model = Sequential()

model.add(Conv1D(filters = 300, kernel_size = 5, activation='relu', input_shape=(4000, 1)))
model.add(Conv1D(filters = 300, kernel_size = 5, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Conv1D(filters = 320, kernel_size = 5, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Dropout(0.5))

model.add(Dense(num_labels, activation='softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

return model

我收到此錯誤：

expected dense_1 to have shape (442, 3) but got array with shape (3, 1)

我的輸入是一組短語（共12501個），它們已針對4000個最相關的單詞進行了標記，並且有3種可能的分類。 因此，我的輸入是train_x.shape =（12501，4000）。 我將其重塑為Conv1D層的（12501，4000，1）。 現在，我的train_y.shape =（12501,3），然后將其重塑為（12501,3，1）。

我正在使用fit函數，如下所示：

model.fit(train_x, train_y, batch_size=32, epochs=10, verbose=1, validation_split=0.2, shuffle=True)

我究竟做錯了什么？

Answer 1

無需轉換標簽形狀即可分類。 您可以查看您的網絡結構。

print(model.summary())
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_1 (Conv1D)            (None, 3996, 300)         1800      
_________________________________________________________________
conv1d_2 (Conv1D)            (None, 3992, 300)         450300    
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 1330, 300)         0         
_________________________________________________________________
conv1d_3 (Conv1D)            (None, 1326, 320)         480320    
_________________________________________________________________
max_pooling1d_2 (MaxPooling1 (None, 442, 320)          0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 442, 320)          0         
_________________________________________________________________
dense_1 (Dense)              (None, 442, 3)            963       
=================================================================
Total params: 933,383
Trainable params: 933,383
Non-trainable params: 0
_________________________________________________________________

模型的最后一個輸出是(None, 442, 3) ，但是標簽的形狀是(None, 3, 1) 。 您最終應該以全局池化層GlobalMaxPooling1D()或Flatten層Flatten()結尾，將3D輸出轉換為2D輸出，以進行分類或回歸。