Question

我正在尝试在一些数据上训练系统，Sound_Fc是一个16X1浮点数组。

for i in range(0,26983):

    Block_coo = X[0,i]
    Fc = Block_coo[4]
    Sound_Fc = Fc[:,0]
    Vib_Fc = Fc[:,1]
    y = np.matrix([[1.0],[2],[3],[4],[5],[6],[7],[8],[9],[10],[11],[12],[13],[14],[15],[16]])

testX, trainY, testY) = train_test_split(
 Sound_Fc, y, test_size = 0.33, random_state=42)

dbn = NeuralNet(
        layers=[
            ('input', layers.InputLayer),
            ('hidden', layers.DenseLayer),
            ('output', layers.DenseLayer),
            ],
        input_shape = (None, trainX.shape[0]),
        hidden_num_units=8,
        output_num_units=4,
        output_nonlinearity=softmax,

        update=nesterov_momentum,
        update_learning_rate=0.3,
        update_momentum=0.9,

        regression=False,
        max_epochs=5,
        verbose=1,

        )

    dbn.fit(trainX,trainY)

但我收到此错误

Warning (from warnings module):
  File "C:\Users\Essam Seddik\AppData\Roaming\Python\Python27\site-packages\sklearn\cross_validation.py", line 399
% (min_labels, self.n_folds)), Warning)
Warning: The least populated class in y has only 1 members, which is too few. The minimum number of labels for any class cannot be less than n_folds=5.

 Traceback (most recent call last):
  File "C:\Essam Seddik\Deep Learning Python Tutorial\DNV_DeepLearn.py", line 77, in <module>
dbn.fit(trainX,trainY)
  File "C:\Python27\lib\site-packages\nolearn-0.6adev-py2.7.egg\nolearn\lasagne\base.py", line 293, in fit
self.train_loop(X, y)
  File "C:\Python27\lib\site-packages\nolearn-0.6adev-py2.7.egg\nolearn\lasagne\base.py", line 300, in train_loop
X, y, self.eval_size)
  File "C:\Python27\lib\site-packages\nolearn-0.6adev-py2.7.egg\nolearn\lasagne\base.py", line 401, in train_test_split
kf = StratifiedKFold(y, round(1. / eval_size))
  File "C:\Users\Essam Seddik\AppData\Roaming\Python\Python27\site-packages\sklearn\cross_validation.py", line 416, in __init__
label_test_folds = test_folds[y == label]
IndexError: too many indices for array

我尝试了xrange而不是range，而y = list（）而不是定义的y。我在for循环范围内尝试了小数字，如5,10和100而不是26983。我试过np.array和np.ndarray以及np.atleast_2d。什么都行不通！

Answer 1

在该循环的每次迭代中，您都会覆盖Sound_Fc。因此，在循环结束时，Sound_Fc的值为X[0,26982][4][:,0]。你也在循环的每次迭代中一遍又一遍地重写y相同的值，它基本上是一个值为1到16的向量。基本上，你的总数据是16点，而{{1每个值都是一个唯一值（介于1和16之间）。然后将其拆分为训练和测试数据，这样您就可以将这16个点中的5个作为测试集，其中11个是您的训练集。对于每个观察到的y输出，只有一个示例，您的网络模型抱怨它无法提取足够的信息来预测未来的y值。

如果我理解正确，你不想在每次迭代时覆盖Sound_Fc和y，而是想要将它们附加到不断增长的x和y向量上。您可以使用垂直堆叠numpy数组的vstack来完成此操作。用该循环替换以下内容：

之前，当您将Sound_Fc用作特征向量时，它具有形状（16,1）。现在它将具有形状（431728,1）。这个数字是26983 * 16，因为你要堆叠26983个向量，每个向量有16个元素。你的y会有形状（431728,1）。

Sound_Fc = np.vstack( [X[0,i][4][:,0] for i in range(26983)] ) y = np.vstack([np.matrix(range(1,17)).T for i in range(26983)])创建一个包含26983个元素的列表，每个元素都是一个（16,1）形状的numpy数组。 [X[0,i][4][:,0] for i in range(26983)]垂直堆叠它们以获得单个高大的（431728,1）阵列。这是你的特色向量。

np.vstack创建一个元素为1到16的矩阵。这是形状（1,16）。通过使用np.matrix(range(1,17))进行转置，我们将其设置为垂直，现在它的形状为（16,1）。再次，我们从这些中的26983列出一个列表，并.T得到一个（431728,1）形状矢量，基本上从1到16然后再次变为1再次变为16，基本上重复1 -16模式一遍又一遍。这是你的输出向量。现在，对于每个输出（比如说，例如8），你有26983个数据点需要学习（一旦你将所有这些分成.66，它将是17809）。现在你的模型不会抱怨没有足够的例子用于特定的y输出。

当然可能存在与其他内容相关的其他错误（我无法查看您的数据 - 我不知道那个大vstack中的内容）。

深度学习IndexError：数组索引太多

1 个答案: