Python、Keras - 张量 u'dense_2_target : Cannot feed value of shape (10, 的 ValueError : 0', which has shape ' (? 70, 1025)'

Question

我正在尝试批量训练 RNN。输入输入大小(10, 70, 3075),其中10是批量大小，70是时间维度，3075是频率维度。

有 3 个输出，其大小为(10、70、1025)每个基本上都有 10 个大小为 (70,1025) 的频谱图。

我想通过回归来训练这个RNN，其结构是

input_img = Input(shape=(70,3075 ) )
x = Bidirectional(LSTM(n_hid,return_sequences=True, dropout=0.5,    recurrent_dropout=0.2))(input_img)
x = Dropout(0.2)(x)
x = Bidirectional(LSTM(n_hid,  dropout=0.5, recurrent_dropout=0.2))(x)
x = Dropout(0.2)(x)
o0 = ( Dense(1025, activation='sigmoid'))(x)
o1 = ( Dense(1025, activation='sigmoid'))(x)
o2 = ( Dense(1025, activation='sigmoid'))(x)

问题是输出密集层无法考虑三个维度，它们想要类似 (None, 1025) 的东西，我不知道如何提供它，除非我沿着时间维度连接。

出现以下错误:

ValueError: Cannot feed value of shape (10, 70, 1025) for Tensor u'dense_2_target:0', which has shape '(?, ?)'

batch_shape 选项在输入层中有用吗？我实际上已经尝试过，但也遇到了同样的错误。

Answer 1

在本例中，第二个 RNN 将序列折叠为单个向量，因为默认情况下 return_sequences=False。要使模型返回序列并在每个时间步上单独运行 Dense 层，只需将 return_sequences=True 添加到第二个 RNN:

x = Bidirectional(LSTM(n_hid,  return_sequences=True, dropout=0.5, recurrent_dropout=0.2))(x)

密集层会自动应用于最后一个维度，因此之后无需重新整形。