python - 如何使用分类一键式标签进行Keras训练？

我的输入看起来像这样:

[
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
...]

形状为(1, num_samples, num_features)，标签如下所示:

[
[0, 1]
[1, 0]
[1, 0]
...]

形状为(1, num_samples, 2)。

但是，当我尝试运行以下Keras代码时，出现此错误:ValueError: Error when checking model target: expected dense_1 to have 2 dimensions, but got array with shape (1, 8038, 2)。从我阅读的内容来看，这似乎源于我的标签是2D而不是简单的整数的事实。这是正确的吗？如果是的话，如何在Keras中使用一键式标签？

这是代码:

num_features = 463
trX = np.random(8038, num_features)
trY = # one-hot array of shape (8038, 2) as described above

def keras_builder():  #generator to build the inputs
    while(1):
        x = np.reshape(trX, (1,) + np.shape(trX))
        y = np.reshape(trY, (1,) + np.shape(trY))
        print(np.shape(x)) # (1, 8038, 463)
        print(np.shape(y)) # (1, 8038, 2)
        yield x, y

model = Sequential()
model.add(LSTM(100, input_dim = num_features))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit_generator(keras_builder(), samples_per_epoch = 1, nb_epoch=3, verbose = 2, nb_worker = 1)

会立即引发上面的错误:

Traceback (most recent call last):
  File "file.py", line 35, in <module>
    model.fit_generator(keras_builder(), samples_per_epoch = 1, nb_epoch=3, verbose = 2, nb_worker = 1)
  ...
ValueError: Error when checking model target: expected dense_1 to have 2 dimensions, but got array with shape (1, 8038, 2)

谢谢!

最佳答案

很多事情没有加在一起。

我假设您正在尝试解决顺序分类任务，即您的数据形状为(<batch size>, <sequence length>, <feature length>)。

在批处理生成器中，您将创建一个批处理，该批处理由每个序列元素的一个长度为8038和463个特征的序列组成。您将创建一个匹配的Y批次进行比较，该批次由一个包含8038个元素的序列组成，每个序列的大小为2。

您的问题是Y与最后一层的输出不匹配。您的Y是3维的，而模型的输出仅为2维:Y.shape = (1, 8038, 2)与dense_1.shape = (1,1)不匹配。这说明了您收到的错误消息。

解决方案:您需要在LSTM层中启用return_sequences=True以返回序列，而不是仅返回最后一个元素(有效地删除时维)。这将在LSTM层给出(1, 8038, 100)的输出形状。由于Dense层无法处理顺序数据，因此需要将其分别应用于每个序列元素，方法是将其包装在 TimeDistributed 包装器中。然后，这会为您的模型提供输出形状(1, 8038, 1)。

您的模型应如下所示:

from keras.layers.wrappers import TimeDistributed

model = Sequential()
model.add(LSTM(100, input_dim=num_features, return_sequences=True))
model.add(TimeDistributed(Dense(1, activation='sigmoid')))

在检查模型摘要时，可以很容易地发现这一点:

print(model.summary())