Question

我想使用Keras训练一个二进制分类器，我的训练数据的形状为(2000,2,128)，形状的标签为(2000,)作为Numpy数组。

我们的想法是进行训练，以使嵌入在一起的单个数组意味着它们相同或不同，分别用0或1标记。

培训数据如下： [[[0 1 2 ....128][129.....256]][[1 2 3 ...128][9 9 3 5...]].....] 标签看起来像[1 1 0 0 1 1 0 0..]。

代码如下：

import keras
from keras.layers import Input, Dense

from keras.models import Model

frst_input = Input(shape=(128,), name='frst_input')
scnd_input = Input(shape=(128,),name='scnd_input')
x = keras.layers.concatenate([frst_input, scnd_input])
x = Dense(128, activation='relu')(x)
x=(Dense(1, activation='softmax'))(x)
model=Model(inputs=[frst_input, scnd_input], outputs=[x])
model.compile(optimizer='rmsprop', loss='binary_crossentropy',
              loss_weights=[ 0.2],metrics=['accuracy'])

运行此代码时出现以下错误：

ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 2 array(s), but instead got the following list of 1 arrays: [array([[[ 0.07124118, -0.02316936, -0.12737238, ...,  0.15822273,
      0.00129827, -0.02457245],
    [ 0.15869428, -0.0570458 , -0.10459555, ...,  0.0968155 ,
      0.0183982 , -0.077924...

如何解决此问题？我的代码使用两个输入进行分类训练分类器是否正确？

Answer 1

好吧，您在这里有两个选择：

1）将训练数据重塑为(2000, 128*2)并仅定义一个输入层：

X_train = X_train.reshape(-1, 128*2)

inp = Input(shape=(128*2,))
x = Dense(128, activation='relu')(inp)
x = Dense(1, activation='sigmoid'))(x)
model=Model(inputs=[inp], outputs=[x])

2）像已经定义的那样，定义两个输入层，并在调用fit方法时传递两个输入数组的列表：

# assuming X_train have a shape of `(2000, 2, 128)` as you suggested
model.fit([X_train[:,0], X_train[:,1]], y_train, ...)

此外，由于您在此处进行二进制分类，因此您需要使用sigmoid作为最后一层的激活（即，在这种情况下使用softmax将始终输出1，因为softmax标准化输出，使它们的总和等于1。

将多个输入传递给Keras模型时出错

1 个答案: