python - 减少 LSTM keras 上的输出维度

Question

下面是我的模型架构。数据是一个时间序列，我只需要预测最后一个值，因此 return_sequences=False。

但这正是造成问题的原因。我已经能够使用 sequences=True 运行 nnet，但这不是我需要做的。

我需要输入大小 (32,50,88)=(batch_size,timesteps,features)并获得输出大小为 (32,88)=(batch_size,labels)。

特征和标签具有相同的大小，但无关紧要。

这段代码的错误是:

ValueError: Error when checking target: expected dense_1 to have 2 dimensions, but got array with shape (32, 50, 88)

这是在训练阶段发生的(意味着架构变得有效)。

数据以 (32,50,88) block 的形式来自生成器，标签也具有相同的大小。由于我使用 keras，因此我需要通过生成器创建批处理。我尝试添加一个 (50,88) 但根本不起作用。

我怎么可能有这种架构，得到(32,50,88)的输入，但只得到(32,88)作为输出？

简而言之，我需要时间步长+50预测...我认为..

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

您的模型是正确的，问题是在检查目标时，这意味着您的 training_generator返回错误的目标形状。

看看print(next(training_generator()))并确保它返回形状为 (32, 50, 88), (32, 88) 的元组.