Question

我想训练一个基于numpy数组的神经网络，该数组具有4个条目作为X数据，另一个数组具有一个条目作为y数据。

X_train = [x1，x2，x3，x4]
y_train = [y1]

我认为这很简单，但是我无法使输入形状起作用。我还发现很少有关输入形状工作方式的信息：您是否仅需要指定X数据？ y数据呢？

我已经尝试设置input_dim = 4，因为这是要做的第一件事，但出现以下错误： Error when checking input: expected dense_1_input to have shape (4,) but got array with shape (1,)

然后我尝试设置input_dim =（4，1），因为我认为y数据正在引起该问题。但是我又收到一条错误消息： Error when checking input: expected dense_1_input to have 3 dimensions, but got array with shape (4, 1)

此处提供代码：

# importing the packages
import gym
import numpy as np
from collections import deque

from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
from keras.wrappers.scikit_learn import KerasRegressor

from joblib import Parallel

# creating the environment
env = gym.make('CartPole-v1')

#defining global variables
lr=0.0001
decay=0.001
batch_size=None

# creating a deep learning model with keras
def model():
    model = Sequential()

    model.add(Dense(64, input_dim=4, activation='relu'))
    model.add(Dense(32, activation='relu'))
    model.add(Dense(16, activation='relu'))

    model.add(Dense(1, activation='sigmoid'))

    model.compile(Adam(lr=lr, decay=decay), loss='mse')
    model.summary()
    return model

# running the game
for i_episodes in range(200):
    env.reset()
    for i in range(100):
        env.render()
        action = env.action_space.sample()
        observation, reward, done, info = env.step(action)

        # observation = ndarray float64
        # reward = float
        # done = bool
        # action = int
        # info = empty

        observation = np.asarray(observation)
        reward = np.asarray(reward)
        action = np.asarray(action)

        # print(observation.dtype, reward.dtype, action.dtype)
        # print(observation.shape, action.shape)

        estimator = KerasRegressor(build_fn=model, epochs=30, batch_size=3, verbose=1)
        estimator.fit(observation, action)

        if done:
            break
env.close()

如果有人可以解释输入形状的工作原理，将不胜感激。

Answer 1

输入形状始终将批次大小作为第一维。

例如，在您的情况下，下一层不希望包含形状（4，）的数组

<receiver>

此致密层的输入形状是形状（n，4）的张量，其中n是批大小。

要将您的android.intent.category.DEFAULT传递给模型，您首先需要按以下方式扩展其暗淡度：

Intent

您的代码应如下所示。

Dense(64, input_dim=4, activation='relu')

如果您正在学习DQN，请查看此article

Answer 2

尝试这段代码。要解决神经网络的任何回归问题时，必须指定输入维。因此，在输入维度中，您必须将要提供给网络的列数传递。

  def baseline_model():  
    model = Sequential()

    model.add(Dense(64, input_dim=4, activation='relu'))
    model.add(Dense(32, activation='relu'))
    model.add(Dense(16, activation='relu'))

    model.add(Dense(1, activation='sigmoid'))

    model.compile(Adam(lr=lr, decay=decay), loss='mse')
    model.summary()
    return model

现在，您必须将其包装在keras回归类中，以便keras知道这是您要解决的回归问题。

estimator = KerasRegressor(build_fn=baseline_model, epochs=30, batch_size=3, verbose=1)

如果您需要了解更多有关如何解决keras回归问题的知识，而不是看下面的笔记本，您将获得帮助。

在调用健身功能之前也要使用此行

(observation=observation.reshape(1,4))

链接：Solve Regression problem with Keras Neural Network

Answer 3

兄弟！对于第二个错误，请使用此代码。现在对我来说一切正常。

X=[]
y=[]

# creating the environment
env = gym.make('CartPole-v1')

#defining global variables
lr=0.0001
decay=0.001
batch_size=None

# creating a deep learning model with keras
def model():
    model = Sequential()

    model.add(Dense(64, input_dim=4, activation='relu'))
    model.add(Dense(32, activation='relu'))
    model.add(Dense(16, activation='relu'))

    model.add(Dense(1, activation='sigmoid'))

    model.compile(Adam(lr=lr, decay=decay), loss='mse')
    model.summary()
    return model

# running the game
for i_episodes in range(200):
    env.reset()
    for i in range(100):
        #env.render()
        action = env.action_space.sample()
        observation, reward, done, info = env.step(action)


        observation = np.asarray(observation)
        reward = np.asarray(reward)
        action = np.asarray(action)

        X.append( observation)
        y.append(action)


        if done:
            break
env.close()


X=np.asarray(X)
y=np.asarray(y)
estimator = KerasRegressor(build_fn=model, epochs=30, batch_size=3, verbose=1)
estimator.fit(X, y)

Keras顺序模型输入形状

3 个答案: