Question

我正在寻找与scikit-learn的partial_fit：https://scikit-learn.org/0.15/modules/scaling_strategies.html#incremental-learning等效的keras，用于增量/在线学习。

我终于找到了train_on_batch方法，但是找不到一个示例，该示例说明了如何在for循环中为如下所示的数据集正确实现该方法：

x = np.array([[0.5, 0.7, 0.8]])  # input data
y = np.array([[0.4, 0.6, 0.33, 0.77, 0.88, 0.71]])  # output data

注意：这是一个多输出回归

到目前为止，我的代码：

import keras
import numpy as np

x = np.array([0.5, 0.7, 0.8])
y = np.array([0.4, 0.6, 0.33, 0.77, 0.88, 0.71])
in_dim = x.shape
out_dim = y.shape

model = Sequential()
model.add(Dense(100, input_shape=(1,3), activation="relu"))
model.add(Dense(32, activation="relu"))
model.add(Dense(6))
model.compile(loss="mse", optimizer="adam")

model.train_on_batch(x,y)

我收到此错误： ValueError：sequence_28层的输入0与该层不兼容：预期输入形状的轴-1具有值3，但接收到形状为[3，1]的输入

Answer 1

您应该分批提供数据。您正在提供一个实例，但模型需要批处理数据。因此，您需要扩展输入尺寸以获取批次大小。

import keras
import numpy as np
from keras.models import *
from keras.layers import *
from keras.optimizers import *
x = np.array([0.5, 0.7, 0.8])
y = np.array([0.4, 0.6, 0.33, 0.77, 0.88, 0.71])
x = np.expand_dims(x, axis=0)
y = np.expand_dims(y, axis=0)
# x= np.squeeze(x)
in_dim = x.shape
out_dim = y.shape

model = Sequential()
model.add(Dense(100, input_shape=((1,3)), activation="relu"))
model.add(Dense(32, activation="relu"))
model.add(Dense(6))
model.compile(loss="mse", optimizer="adam")

model.train_on_batch(x,y)

keras中的增量学习

1 个答案: