Keras形状的特征进行训练

Question

我正在尝试用keras train_on_batch函数训练nn。我有39个功能，并希望一批包含32个样品。所以我有一个包含32个numpy数组的列表用于每个训练迭代。

所以这是我的代码(这里每个batch_x是一个包含32个numpy数组的列表，每个包含39个特征):

input_shape = (39,)
model = Sequential()
model.add(Dense(39, input_shape=input_shape)) # show you is only first layer
... 
for batch_x, batch_y in train_gen:
    model.train_on_batch(batch_x, batch_y)

但是突然我得到了一个错误:

Exception: Error when checking model input: the list of Numpy arrays
that you are passing to your model is not the size the model expected.
Expected to see 1 arrays but instead got the following list of 32 arrays:

我不知道怎么了。

注:我还尝试了不同的input_shape，如(32,39)，(39,32)等

Answer 1

你不想要32个大小为39的数组，你想要一个大小为(32,39)的数组。

所以你必须将input_shape更改为(None, 39)， None允许你动态更改batch_size，并将batch_x更改为形状为(32,39)的numpy数组

Answer 2

在Keras中，输出而不是输入维度是第一个参数。Keras文档首页的例子非常清楚:

model.add(Dense(output_dim=64, input_dim=100))

调整示例以符合我猜是您的要求:

model.add(Dense(output_dim=39, input_dim=39))

在您的代码中，Dense层中的第一个位置参数是39，它将输出设置为39-D，而不是输入，正如您可能假设的那样。你说你有39个输入功能。第一层(在我试图复制你想要的)没有从你的39维输入特征向量中做任何压缩或特征提取。

为什么不为每个层设置输入和输出数组的尺寸(如示例中所示)，而不单独使用input_形状呢?只是重塑输入(和标签)以匹配默认假设?此外，在进行更复杂的安排之前，您可以尝试在输入数据集(或其中的一部分)上运行基本的fit方法，例如手动批量训练，就像您所做的那样。

下面是一个关于你的特征维度的玩具问题的例子:

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.regularizers import l1l2
X = np.random.randn(1000, 39)
y = np.array([X[i,7:13].sum() for i in range(X.shape[0])])
nn = Sequential()
nn.add(Dense(output_dim=1, input_dim=39))
nn.compile('sgd', 'mse')
nn.fit(X, y, nb_epoch=10)

给了

:

Epoch 1/10
1000/1000 [==============================] - 0s - loss: 4.6266      
...    
Epoch 10/10
1000/1000 [==============================] - 0s - loss: 1.4048e-04