Question

我遇到了一个问题，我花了太长时间。我已经阅读了很多文档并观看了许多教程，却不明白为什么当我从示例中修改我的网络时，人们总是显示并输入我自己的数据！

我有一个形状正确的数据集：

train_X.shape = (312,5000,7)
train_Y.shape = (312,5000,1)

我按正确的顺序进行处理（312个样本，5000个时间步长，7个数据通道）。然后，我为这312个样本中的每个样本创建了一个标签集，如果我想要或不想要，它只会显示0或1。这非常类似于Coursera所做的激活字工作，但我根本不尝试使用语音或音频，这是传感器数据（时间驱动的传感器数据）。

我有2个问题，我想如果有人可以回答第一个问题，我可能会想出来，或者如果您能明白为什么我在这里失败，那也将不胜感激。

我决定建立一个相当深的模型（我的浅表的性能较差），并从原始模型开始重新设计。我的问题是它根本不再喜欢尺寸。

model = Sequential()
model.add(CuDNNLSTM(LSTM_units,
                  input_shape = (x_train.shape[1:]),
                  return_sequences=True))
model.add(Dropout(DR))

model.add(CuDNNLSTM(LSTM_units,
                   return_sequences=True))
model.add(Dropout(DR))

model.add(CuDNNLSTM(LSTM_units))
model.add(Dropout(DR))    

model.add(Dense(32, activation='relu'))
model.add(Dropout(DR))

model.add(Dense(2, activation='softmax'))

我的编译工作很好，很高兴，并且给了我一个摘要，详细说明了我的模型将在LSTM结束时从（None，5000，18）->（None，128）慢慢变到（无，32）->（无，2），因为我有2个班级（0或1）。

在尝试适应模型时，我被告知：

Error when checking target: expected dense_14 to have 2 dimensions, but got array with shape (312, 5000, 1)

我试图在将矩阵传递到密集层时重塑矩阵，但这似乎根本不起作用...

所以我的问题是这样的： 1）在建立模型方面，我在这里做错了什么？

2）有没有一种方法可以...在每步发生时打印出张量大小，而不是在model.summary命令中？

谢谢。

Answer 1

我在这里找到了解决方法

Incompatible dense layer error in keras

我认为我不能将我的问题标记为重复的问题...本质上，我遇到的问题是我要求网络给我输出（batch_size，2），而实际上我想得到输入中每个数据点的答案！

我将几个教程中的不良做法全部合并为一个，给了我很多问题。希望这对遇到同样问题的人有所帮助。我的更新代码也发布在下面。

def create_model(x_train, GRU_units,DR):
model = Sequential()
print("Adding first layer...")
model.add(CuDNNLSTM(GRU_units,
                  input_shape = (x_train.shape[1:]),
                  return_sequences=True))
model.add(Dropout(DR))
print(model.output_shape)

print("Adding second layer...")
model.add(CuDNNLSTM(GRU_units,
                   return_sequences=True))
model.add(Dropout(DR))
print(model.output_shape)

print("Adding third layer...")
model.add(CuDNNLSTM(GRU_units, 
                    return_sequences=True))
model.add(Dropout(DR))
print(model.output_shape)    

print("Adding fourth layer (Dense 32)...")
model.add(TimeDistributed(Dense(32, activation='relu')))
model.add(Dropout(DR))
print(model.output_shape)

print("Adding output layer...")
model.add(TimeDistributed(Dense(1, activation='sigmoid')))
print(model.output_shape)

return model

从CuDNNLSTM到密集层的问题

1 个答案: