Question

我正在尝试针对生成的数据训练一个简单的Sequential网络。我有一个预先计算的验证数据集。

要提供输入，我正在使用tf.data.Dataset API，如下所示： https://stackoverflow.com/a/48134765/231238

var train = Dataset.from_tensor_slices(ValueTuple.Create(trainInputs, trainOutputs));
train = train
    .repeat(2000000)
    .shuffle(buffer_size: 1024 * 8 * InterpolateBy)
    .batch(1024);
model.fit_dyn(train,
    epochs: 6*1024,
    steps_per_epoch: 4
    // line below does not work:
    , validation_data: (testInputs, testOutputs)
);

在没有validation_data的情况下工作正常。

如果我通过validation_data作为张量的元组，例如上面的示例，例如(testInputs, testOutputs)，它抛出'TypeError : float() argument must be a string or a number, not 'NoneType'。（这也是我在切换到Dataset并进行验证之前也使用过的训练数据的方法）

如果我将testInputs和testOutputs包装成Dataset，类似于火车数据，例如Dataset.from_tensor_slices(ValueTuple.Create(testInputs, testOutputs))

我收到另一个错误：ValueError : Error when checking input: expected sequential_input to have 2 dimensions, but got array with shape (347,)。

这里347是特征向量的大小，因此testInputs.shape是（221，347），而testOutputs.shape是（221，1）

Answer 1

通过我们的讨论，我们可以澄清一些事情。

首先，当直接将其作为元组输入时，不是很确定该错误。可能需要有关其数据的更多信息。

对于使用tf数据进行验证，当我们使用from_tensor_slices时，“我们创建的数据集的元素是给定张量的切片”。对于此示例，我们正在馈入的输入是具有相应形状（221,347）和（221,1）的元组。 from_tensor_slices的作用是沿第0维（此处的大小为221）切片各个numpy数组。因此，该方法将创建一个数据集，其中每个元素分别是形状为（347，）和（1，）的元组。数据集中将有221个这样的元素。

反之，如果我们使用from_tensors方法，它将创建一个包含单个元素的数据集，该元素包含给定的张量作为输入。因此，这等效于直接通过数据集对象馈送numpy数据。

以下是此示例如何在较小的维度上起作用的简短示例：

import numpy as np
import tensorflow as tf
np.random.seed(42)
example_train = np.random.randn(4, 4)
example_test = np.random.randn(4, 1)

print("Example Train:", example_train)
print("Example Test:", example_test)

dataset1 = tf.data.Dataset.from_tensor_slices((example_train, example_test))
dataset2 = tf.data.Dataset.from_tensors((example_train, example_test))

it1 = dataset1.make_one_shot_iterator().get_next()
it2 = dataset2.make_one_shot_iterator().get_next()

with tf.Session() as sess:
    for i in range(4):
        print("Element {} of dataset1: {}".format(i,sess.run([it1])))
    print ("Element 0 of dataset2: ", sess.run([it2]))

结果：

Example Train: [[ 0.49671415 -0.1382643   0.64768854  1.52302986]
 [-0.23415337 -0.23413696  1.57921282  0.76743473]
 [-0.46947439  0.54256004 -0.46341769 -0.46572975]
 [ 0.24196227 -1.91328024 -1.72491783 -0.56228753]]
Example Test: [[-1.01283112]
 [ 0.31424733]
 [-0.90802408]
 [-1.4123037 ]]
Element 0 of dataset1: [(array([ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986]), array([-1.01283112]))]
Element 1 of dataset1: [(array([-0.23415337, -0.23413696,  1.57921282,  0.76743473]), array([0.31424733]))]
Element 2 of dataset1: [(array([-0.46947439,  0.54256004, -0.46341769, -0.46572975]), array([-0.90802408]))]
Element 3 of dataset1: [(array([ 0.24196227, -1.91328024, -1.72491783, -0.56228753]), array([-1.4123037]))]
Element 0 of dataset2:  [(array([[ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986],
       [-0.23415337, -0.23413696,  1.57921282,  0.76743473],
       [-0.46947439,  0.54256004, -0.46341769, -0.46572975],
       [ 0.24196227, -1.91328024, -1.72491783, -0.56228753]]), array([[-1.01283112],
       [ 0.31424733],
       [-0.90802408],
       [-1.4123037 ]]))]

关于我对batch方法的评论，通过将batch_size设置为221以便将内容放回一起，如果我们将dataset1代码更改为类似的内容，然后将打印内容修改为类似的内容，例如：< / p>

dataset1 = tf.data.Dataset.from_tensor_slices((example_train, example_test)).batch(4)

with tf.Session() as sess:
    print ("Element 0 of dataset1: ", sess.run([it1]))

我们的结果：

Element 0 of dataset1:  [(array([[ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986],
       [-0.23415337, -0.23413696,  1.57921282,  0.76743473],
       [-0.46947439,  0.54256004, -0.46341769, -0.46572975],
       [ 0.24196227, -1.91328024, -1.72491783, -0.56228753]]), array([[-1.01283112],
       [ 0.31424733],
       [-0.90802408],
       [-1.4123037 ]]))]

您可以看到的与使用from_tensors相同。

如何将validation_data传递给Model.fit +数据集？

1 个答案: