我正在尝试使用lstm构建Keras文本分类器。

这是模型结构:

model_word2vec = Sequential()
model_word2vec.add(Embedding(input_dim=vocabulary_dimension,
                    output_dim=embedding_dim,
                    weights=[word2vec_weights,
                    input_length=longest_sentence,
                    mask_zero=True,
                    trainable=False))
model_word2vec.add(LSTM(units=embedding_dim, dropout=0.25, recurrent_dropout=0.25, return_sequences=True))
model_word2vec.add(Dense(3, activation='softmax'))
model_word2vec.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])


results = model_word2vec.fit(X_tr_word2vec, y_tr_word2vec, validation_split=0.16, epochs=3, batch_size=128, verbose=0)


其中y_tr_word2vec是3维one-hot编码变量。

当我运行上面的代码时,出现此错误:

ValueError: Error when checking model target: expected dense_2 to have 3 dimensions, but got array with shape (15663, 3)


我想问题可能与y_tr_word2vec形状或batch size尺寸有关,但我不确定。

更新:

我已将return_sequences=Falsey_tr_word2vecone-hot更改为categorical1密集层中的神经元,现在我使用的是sparse_categorical_crossentropy而不是categorical_crossentropy

现在,我收到此错误:ValueError: invalid literal for int() with base 10: 'countess'

因此,现在我假设在fit()期间,包含句子的输入向量X_tr_word2vec出了问题。

最佳答案

问题是这段代码

model_word2vec.add(LSTM(units=dim_embedding, dropout=0.25, recurrent_dropout=0.25, return_sequences=True))
model_word2vec.add(Dense(3, activation='softmax'))


您已经设置了return_sequences=True,这意味着LSTM将3D数组返回到密集层,而密集不需要3D数据...所以删除return_sequences = True

model_word2vec.add(LSTM(units=dim_embedding, dropout=0.25, recurrent_dropout=0.25))
model_word2vec.add(Dense(3, activation='softmax'))


你为什么要设置return_sequences = True?

10-04 09:52