Question

当尝试使用多个热编码数组时，我不太了解keras模型的输入形状和尺寸如何工作。

例如，这是我的特征状态，其中包含9个单热编码数组。

 features = [[first_one_hot] + [second_one_hot] + \
               [third_one_hot] + [fourth_one_hot] + [sixt_one_hot] + [seventh_one_hot]+ ...]

具有以下形状：（3、4、4、5、5、5、10、10、10），其中：

形状：形状（30,4,10）表示具有3个维度的数组或张量，其中第一个维度包含30个元素，第二个维度包含4个元素，第三个维度包含10个元素，总计30 * 4 * 10 = 1200个元素或数字。

如果我仅解压缩一个热阵列中的每个热阵列，则模型的形状为（1，56）-但据我所知，该模型并不十分了解哪个值对应于哪个热阵列。

问题1 首先，我是否理解正确，上述数组中串联的每个功能都应该分开，而不是像我提到的那样使用（1，56）数组？可以说，而不是：

[1,0,0,0,1,0,0,0，...]使用：

[1,0,0]，[1,0,0,0]，...

如果是这样，我应该如何将分离的onehot给予模型？我是机器学习的新手，所以这可能是一个奇怪的问题。

问题2 如果是这样，将主题相似的onehots分组到单独的输入层中有什么好处？

我的build_model现在仅使用一个输入控件，其图层大小为（1,56）：

 def _build_model(self, hl1_dims, hl2_dims, hl3_dims, input_layer_size, output_layer_size, optimizer, loss):
    model = Sequential()

    # My input_layer_size is set to 9, as I have 9 dimensions
    model.add(Dense(hl1_dims, input_dim=input_layer_size))
    model.add(BatchNormalization())
    model.add(Activation('relu'))

    # Second Hidden Layer
    ...

据我了解，我还可以使用多个输入层，例如：

input_3d = Input(shape=(3,))
input_4d = Input(shape=(4,))
input_5d = Input(shape=(5,))
input_10d = Input(shape=(10,))

# multiple branches, for example:
branch_3d = Dense(32, activation='relu')(input_3d)
branch_3d = Dense(32, activation='relu')(branch_3d)
m_3d = Model(inputs=input_3d, outputs=branch_3d)

 # Combine all output of branches
combined = Concatenate(axis=1)([m_3d.output, m_4d.output, m_5d.output, m_10d.output])

# Apply FC Layer
out = Dense(16, activation='relu')(combined)
out = Dense(output_layer_size, activation='linear')(out)

# Model accepts inputs of all branches and output action space based on output_layer_size
model = Model(inputs=[m_3d.input, m_4d.input, m_5d.input, m_10d.input], outputs=out)

我尝试了上述实现，但从未真正实现过，大多数错误如下：

ValueError: Error when checking input: expected dense_input to have 2 dimensions, but got array with shape (1, 1, 9)

但是，正如我说的，我什至不确定您是否将分类输入拆分为单独的层，还是将所有分类要素组合为一个形状的最佳实践。非常感谢您对此提供的任何投入。

具有多个一键阵列的Keras模型的输入形状

0 个答案: