Question

我已经完成了，只是坚持在KERAS训练我的NN模型。这是我的情况。

我有一个文件夹，我有30个CSV文件，所有名称都不同。
现在，我正在进行分类。
每个CSV文件（读取数组dfs后的5000,3，如下所示，本身就是一个训练实例，所以我有30个CSV的30个训练实例）。
文件名是标签，我想分类。这些是3个独特的标签，使用一个热编码。
我对输入形状感到困惑，以及如何以正确的形状重塑我的训练数据dfs。

注意：30个观察结果是CSV文件本身为5000,3 dim和filename是标签。

这是我的代码和错误。

import os
import glob
import pandas as pd
import numpy as np
from keras.preprocessing.text import one_hot
from keras.models import Sequential
from keras.layers import Dense

path = os.getcwd()
file_list = glob.glob(path + '/*.csv')
dfs=np.array([pd.read_csv(fp).values for fp in file_list])

dfs.shape
# (30, 5000, 3)

from sklearn.preprocessing import OneHotEncoder
# define class labels

labels = np.array([1,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2,2,3,3,3,3,3,3,3,3,3,3])

onehot_encoder = OneHotEncoder(sparse=False)
integer_encoded = labels.reshape(len(labels), 1)
onehot_encoded = onehot_encoder.fit_transform(integer_encoded)

len(onehot_encoded)
print(onehot_encoded)
# 30
array([[ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  1.]])




model = Sequential()
model.add(Dense(24, input_shape=(5000,3), activation='relu'))
model.add(Dense(8))
model.add(Dense(3, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['acc'])

# summarize the model
print(model.summary())



# fit the model
model.fit(dfs, onehot_encoded, epochs=50, verbose=2)

错误： ValueError：检查模型目标时出错：期望dense_10有3个维度，但得到的数组有形状（30,3）

Answer 1

您的标签数组的形状为(30,3)，而您的模型期望它为(None, 5000, 3)。 - 始终检查model.summary()以了解形状发生了什么。

Dense图层仅适用于最后一个维度，保持所有其他维度不变。由于您的输入为(None, 5000, 3)，因此所有Dense图层仅转换最后一个维度并保持5000不变。

在模型的某个时刻，您必须摆脱额外的尺寸，以便匹配您的标签(None, 3)。

有许多可能性，但最佳选择取决于您希望模型如何解释数据。

选项1：

如果所有5000行完全独立且性质不同（并且模型不应该学习这些行之间的任何常见行为），您可以在模型的开头添加Flatten()图层，所以它会立即成为(None, 15000)。

model.add(Flatten(input_shape=(5000,3))) #first layer in the model

选项2：

现在，如果5000行共享一些共同点，并且您的模型应该将它们视为具有相同性质的不同样本，请将Flatten()层放在最后Dense之前的model = Sequential() model.add(Dense(24, input_shape=(5000,3), activation='relu')) model.add(Dense(8)) #the flatten layer comes here: model.add(Flatten()) model.add(Dense(3, activation='sigmoid'))层。 }。

示例：

Dense

选项3：

如果这些行正在形成序列（时间序列），并且您想以某种方式了解此序列如何演变，那么您可能会更好地将LSTM图层更改为return_sequences = True }图层。除了最后一个，所有这些都应该使用model = Sequential() model.add(LSTM(24, return_sequences=True,input_shape=(5000,3))) model.add(LSTM(8,return_sequences=True)) #here there are many possibilities as well, one of them being just another LSTM layer without return sequences: model.add(LSTM(3,return_sequences=False)) model.add(Activation('sigmoid'))。

示例：

{{1}}

我在单独的图层中使用了激活功能，因为LSTM通常可以更好地使用默认激活功能，这就是＆＃39; tanh＆＃39;

Keras ValueError：检查模型目标时出错：expect dense_18

1 个答案: