Question

我有一个Keras LSTM模型，其中包含多个输出。该模型定义如下：

outputs=[]

main_input = Input(shape= (seq_length,feature_cnt), name='main_input')
lstm = LSTM(32,return_sequences=True)(main_input)
for _ in range((output_branches)): #output_branches is the number of output branches of the model
    prediction = LSTM(8,return_sequences=False)(lstm)
    out = Dense(1)(prediction)
    outputs.append(out)

model = Model(inputs=main_input, outputs=outputs)
model.compile(optimizer='rmsprop',loss='mse')

重塑输出数据时出现问题。重塑输出数据的代码是：

y=y.reshape((len(y),output_branches,1))

我遇到以下错误：

ValueError：检查模型目标时出错：Numpy数组列表您传递给模型的信息不是模型期望的大小。预期会看到5个数组，但得到以下1个列表数组：[array（[[[0.29670931]， [0.16652206]， [0.25114482]， [0.36952324]， [0.09429612]]，
   [[0.16652206],
    [0.25114482],
    [0.36952324],
    [0.09429612],...

如何正确重塑输出数据？

Answer 1

由于输出量等于output_branches，因此输出数据必须是具有相同数组数的list。

基本上，如果输出数据在reshape建议的中间位置，则：

y = [ y[:,i] for i in range(output_branches)]

Answer 2

这取决于y的初始结构。在这里，我假设y是批处理中每个序列的单值标签。

当有多个输入/输出时，model.fit()期望给出相应的输入/输出列表。在下面的完全可复制的示例中，np.split(y, output_branches, axis=-1)确实做到了这一点-对于每个批次，将一个输出列表拆分成一个单独的输出列表，其中每个输出（在这种情况下）是1元素列表：

import tensorflow as tf
import numpy as np

tf.enable_eager_execution()

batch_size = 100
seq_length = 10
feature_cnt = 5
output_branches = 3

# Say we've got:
# - 100-element batch
# - of 10-element sequences
# - where each element of a sequence is a vector describing 5 features.
X = np.random.random_sample([batch_size, seq_length, feature_cnt])

# Every sequence of a batch is labelled with `output_branches` labels.
y = np.random.random_sample([batch_size, output_branches])
# Here y.shape() == (100, 3)

# Here we split the last axis of y (output_branches) into `output_branches` separate lists.
y = np.split(y, output_branches, axis=-1)
# Here y is not a numpy matrix anymore, but a list of matrices.
# E.g. y[0].shape() == (100, 1); y[1].shape() == (100, 1) etc...

outputs = []

main_input = tf.keras.layers.Input(shape=(seq_length, feature_cnt), name='main_input')
lstm = tf.keras.layers.LSTM(32, return_sequences=True)(main_input)
for _ in range(output_branches):
    prediction = tf.keras.layers.LSTM(8, return_sequences=False)(lstm)
    out = tf.keras.layers.Dense(1)(prediction)
    outputs.append(out)

model = tf.keras.models.Model(inputs=main_input, outputs=outputs)
model.compile(optimizer='rmsprop', loss='mse')

model.fit(X, y)

由于未指定数据的确切外观，因此您可能需要使用轴。

编辑：当作者从官方来源寻找答案时，提到了here（尽管没有明确指出，它仅提及数据集应产生的内容，因此-model.fit()期望什么样的输入结构）：

使用数据集对象调用fit时，它应产生一个诸如([title_data, body_data, tags_data], [priority_targets, dept_targets])之类的列表元组或诸如({'title': title_data, 'body': body_data, 'tags': tags_data}, {'priority': priority_targets, 'department': dept_targets})之类的字典元组。

用于LSTM模型的Keras多输出数据

2 个答案: