python - 如何使用 Keras 的分类单热标签进行训练？

Question

我有这样的输入:

[
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
...]

形状 (1, num_samples, num_features)，标签如下所示:

[
[0, 1]
[1, 0]
[1, 0]
...]

形状 (1, num_samples, 2)。

但是，当我尝试运行以下 Keras 代码时，出现此错误:ValueError:检查模型目标时出错:预期 dense_1 具有 2 个维度，但得到形状为 (1, 8038, 2) 的数组。从我读过的内容来看，这似乎源于我的标签是二维的，而不仅仅是整数。这是否正确？如果正确，我如何在 Keras 中使用 one-hot 标签？

代码如下:

num_features = 463
trX = np.random(8038, num_features)
trY = # one-hot array of shape (8038, 2) as described above

def keras_builder():  #generator to build the inputs
    while(1):
        x = np.reshape(trX, (1,) + np.shape(trX))
        y = np.reshape(trY, (1,) + np.shape(trY))
        print(np.shape(x)) # (1, 8038, 463)
        print(np.shape(y)) # (1, 8038, 2)
        yield x, y

model = Sequential()
model.add(LSTM(100, input_dim = num_features))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit_generator(keras_builder(), samples_per_epoch = 1, nb_epoch=3, verbose = 2, nb_worker = 1)

立即抛出上述错误:

Traceback (most recent call last):
  File "file.py", line 35, in <module>
    model.fit_generator(keras_builder(), samples_per_epoch = 1, nb_epoch=3, verbose = 2, nb_worker = 1)
  ...
ValueError: Error when checking model target: expected dense_1 to have 2 dimensions, but got array with shape (1, 8038, 2)

谢谢!

Answer 1

有很多事情没有加起来。

我假设您正在尝试解决顺序分类任务，即您的数据形状为 (<batch size>, <sequence length>, <feature length>) .

在批处理生成器中，您创建一个批处理，其中包含一个长度为 8038 的序列和每个序列元素 463 个特征。您创建一个匹配的 Y 批处理进行比较，它由一个序列组成，有 8038 个元素，每个元素的大小为 2。

你的问题是Y与最后一层的输出不匹配。你的Y是 3 维的，而模型的输出只是 2 维的:Y.shape = (1, 8038, 2)不匹配 dense_1.shape = (1,1) .这解释了您收到的错误消息。

解决方案:您需要启用 return_sequences=True在 LSTM 层中返回一个序列而不是仅返回最后一个元素(有效地删除了时间维度)。这将给出 (1, 8038, 100) 的输出形状在 LSTM 层。自 Dense图层无法处理顺序数据，您需要将它单独应用于每个序列元素，这是通过将其包装在 TimeDistributed 中来完成的。 wrapper 。然后，这将为您的模型提供输出形状 (1, 8038, 1) .

您的模型应如下所示:

from keras.layers.wrappers import TimeDistributed

model = Sequential()
model.add(LSTM(100, input_dim=num_features, return_sequences=True))
model.add(TimeDistributed(Dense(1, activation='sigmoid')))

在检查模型摘要时很容易发现这一点:

print(model.summary())