Question

我有一个像这样的Keras模型：

model=Sequential()
'''
filters=number of conv kernel
strides=step
'''
model.add(Convolution1D(filters=1000, kernel_size=11,strides=3,
                    input_shape=(train_num,data_dim),padding='same',
                    activation='relu',kernel_initializer='uniform'))

model.add(Convolution1D(filters=1000, kernel_size=7, strides=2,        padding='same',
                    activation='relu',kernel_initializer='uniform'))

model.add(Convolution1D(filters=1000, kernel_size=3, strides=1, padding='same',
                    activation='relu',kernel_initializer='uniform'))


model.add(Dense(128,activation='relu'))  
model.add(Dropout(0.3))  

model.add(Dense(128,activation='relu'))  
model.add(Dropout(0.3))  

model.add(Dense(128,activation='relu'))  
model.add(Dropout(0.3))  

model.add(Dense(3,activation='softmax'))  
model.compile(loss='categorical_crossentropy',optimizer='sgd',metrics=['accuracy'])  
model.summary()


print("training starts.....")
model.fit(trX,trY,epochs=30,batch_size=100)


accuracy=model.evaluate(teX,teYY,batch_size=100)
predict_y = model.predict(teX)
print('\nTest accuracy:',accuracy[1])
#predict=model.predict(teY,batch_size=30)

save_model(model,'my_model_com3hl')

我的输入数据形状为(1,855,1000)。这意味着我有855个样本，每个样本有1000个暗角。但是当我训练时，输出形状的样本暗度像这样下降，并发生以下错误：

检查目标时出错：预期density_101具有形状（143，3）但得到形状数组（855，3）

这是模型摘要：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_50 (Conv1D)           (None, 285, 1000)         11001000  
_________________________________________________________________
conv1d_51 (Conv1D)           (None, 143, 1000)         7001000   
_________________________________________________________________
conv1d_52 (Conv1D)           (None, 143, 1000)         3001000   
_________________________________________________________________
dense_98 (Dense)             (None, 143, 128)          128128    
_________________________________________________________________
dropout_71 (Dropout)         (None, 143, 128)          0         
_________________________________________________________________
dense_99 (Dense)             (None, 143, 128)          16512     
_________________________________________________________________
dropout_72 (Dropout)         (None, 143, 128)          0         
_________________________________________________________________
dense_100 (Dense)            (None, 143, 128)          16512     
_________________________________________________________________
dropout_73 (Dropout)         (None, 143, 128)          0         
_________________________________________________________________
dense_101 (Dense)            (None, 143, 3)            387       
=================================================================

Answer 1

根据您的评论：

是的，这是一个三类分类问题。我有855个培训样品和214个测试样品。两个样本的尺寸均为1000 字符。标签处于单热模式。 trX，trY的形状 teX，teYY是（855,1000,1），（214,3,1），（214,1000,1），（214,3,1），分别...

每个形状为(1000,1)的样本都归为三类之一。因此，要使网络的输出形状与标签形状兼容，应在第一个密集层之前使用Flatten层：

model.add(Flatten())
model.add(Dense(128,activation='relu'))  
model.add(Dropout(0.3)) 

# ... the rest

现在，模型的输出形状为(None,3)，这正是我们所需要的。您可能还需要删除标签的最后一个轴，以使它们的形状为(*,3)（而不是(*,3,*)）：

trY = np.squeeze(trY, axis=2)
teYY = np.squeeze(teYY, axis=2)

此外，别忘了我对input_shape的评论。您还需要修复它。

附带说明一下，在三个卷积层的每一个中有1000万个滤镜（考虑到每个训练样本的长度为1000）可能（非常）低效。相反，使用32、64、128或256个过滤器可能是更好的选择（随着模型的深入，过滤器的数量会增加）。此外，如果您想进一步了解1D卷积的工作原理，this answer可能会对您有所帮助。

检查目标时出错：预期density_101具有形状（143，3），但数组具有形状（855，3）

1 个答案: