reshape 的输入是具有 2 * "batch_size" 值的张量，但请求的形状具有 "batch_size"

Question

我想使用带有 tensorflow 后端的 Keras 顺序模型制作 RNN。当我实现以下代码时：

batch_size = 8
batch_inputshape = (batch_size,x_train.shape[1],x_train.shape[2])
print(batch_inputshape) #(8, 600, 103)
​
model = Sequential()
model.add(LSTM(103, 
               batch_input_shape = batch_inputshape, 
               return_sequences = True,
              stateful = True))
model.add(Dropout(0.2))
​
model.add(LSTM(50, 
               return_sequences = True,
              stateful = True))
model.add(Dropout(0.2))
​
​
model.add(TimeDistributed(Dense(10)))
model.add(TimeDistributed(Dense(2)))
model.add(Activation('softmax'))
model.compile(loss= ncce, optimizer='adam')    ​
​
print (model.output_shape) #(8, 600, 2)

model.fit(x_train,y_train, batch_size = batch_size,
                           nb_epoch = 1, validation_split=0.25)

我收到以下错误消息：

reshape 的输入是一个有 16 个值的张量，但请求的形状有 8 个

但是无论我将 batch_size 更改为错误，都将遵循以下公式：

reshape 的输入是一个带有 2 * batch_size 值的张量，但请求的形状有 batch_size

我看过其他Q&A，但我认为它们对我帮助不大。或者我没有很好地理解答案。

任何帮助将不胜感激！

编辑： 根据要求输入和目标的形状：

print(x_train.shape) #(512,600,103)
print(y_train.shape) #(512,600,2)

编辑2：

from functools import partial
import keras.backend as K 
from itertools import product
​
def w_categorical_crossentropy(y_true, y_pred, weights):
    # https://github.com/fchollet/keras/issues/2115#issuecomment-274101310 #
    nb_cl = len(weights)
    final_mask = K.zeros_like(y_pred[:, 0])
    y_pred_max = K.max(y_pred, axis=1)
    y_pred_max = K.reshape(y_pred_max, (K.shape(y_pred)[0], 1))
    y_pred_max_mat = K.cast(K.equal(y_pred, y_pred_max), K.floatx())
    for c_p, c_t in product(range(nb_cl), range(nb_cl)):
        final_mask += (weights[c_t, c_p] * y_pred_max_mat[:, c_p] * y_true[:, c_t])
    return K.categorical_crossentropy(y_pred, y_true) * final_mask
​
w_array = np.ones((2,2))
w_array[1, 0] = 100
​
​
print(w_array)
ncce = partial(w_categorical_crossentropy, weights=w_array)
ncce.__name__ ='w_categorical_crossentropy

编辑 3：更新

在@Nassim Ben 的帮助下，他发现问题出在损失函数上。他发布了带有常规损失函数的代码，然后它就可以正常工作了。但是，使用自定义损失函数，该代码不起作用。正如这个问题的任何读者都可以看到我在上面发布了我的成本损失函数并且存在问题。目前我还不知道为什么会出现这个错误，但这是当前状态。

Answer 1

编辑： 这段代码对我有用，我只是为了简单起见改变了损失。

import keras
from keras.layers import *
from keras.models import Sequential
from keras.objectives import *
import numpy as np

x_train = np.random.random((512,600, 103))
y_train = np.random.random((512,600,2))
batch_size = 8
batch_inputshape = (batch_size,x_train.shape[1],x_train.shape[2]) 
print(batch_inputshape) #(8, 600, 103)

model = Sequential()
model.add(LSTM(103,
           batch_input_shape = batch_inputshape,
           return_sequences = True,
          stateful = True))
model.add(Dropout(0.2))
model.add(LSTM(50,
           return_sequences = True,
          stateful = True))
model.add(Dropout(0.2))


model.add(TimeDistributed(Dense(10)))
model.add(TimeDistributed(Dense(2)))
model.add(Activation('softmax'))
model.compile(loss= "mse", optimizer='adam')

print (model.output_shape) #(8, 600, 2)

model.fit(x_train,y_train, batch_size = batch_size,
                       nb_epoch = 1, validation_split=0.25)

编辑 2：

所以错误来自损失函数。在您从 github 复制的用于 ncce loss 的代码中，它们的输出形状为 (batch,10)。您有形状的输出 (batch, 600, 2)。所以这是我对函数的编辑：

def w_categorical_crossentropy(y_true, y_pred, weights):
# https://github.com/fchollet/keras/issues/2115#issuecomment-274101310 #
    nb_cl = len(weights)
    # Create a mask with zeroes
    final_mask = K.zeros_like(y_pred[:,:,0])
    # get the maximum probability value for every output (shape = (batch,600,1))
    y_pred_max = K.max(y_pred, axis=2, keepdims=True)
    # Get the actual predictions for every output (shape = (batch,600,2))
    # This K.equal uses broadcasting, we compare two tensors of different sizes but it works (magic)
    y_pred_max_mat = K.equal(y_pred, y_pred_max)
    for c_p, c_t in product(range(nb_cl), range(nb_cl)):
        # Create the mask of weights to apply to the result of the cat_crossentropy
        final_mask += (weights[c_t, c_p] * K.cast(y_pred_max_mat[:,:, c_p], K.floatx()) * y_true[:,:, c_t])
    return K.categorical_crossentropy(y_pred, y_true) * final_mask

w_array = np.ones((2,2))
w_array[1, 0] = 100

如您所见，由于您的特殊形状，我只是修改了索引播放。 面具必须有形状（批次，600）。 最大值必须在第 3 维上完成，因为存在您想要输出的概率。 由于张量的形状，用于构建最大值的矩阵乘法也需要更新。

这应该可行。

如果您需要更详细的解释，请随时询问:-)