Keras/Tensorflow 输入到 RNN 层

Question

我正在尝试在 Keras 中构建一个 RNN。我不太了解所需的输入格式。我可以构建密集网络没问题，但我认为 RNN 层期望输入维度 x 批次 x 时间步长？任何人都可以验证这一点吗？

这是我要更新的代码：

原码：

def get_generative(G_in, dense_dim=200, out_dim=50, lr=1e-3):
   x = Dense(dense_dim)(G_in)
   x = Activation('tanh')(x)
   G_out = Dense(out_dim, activation='tanh')(x)
   G = Model(G_in, G_out)
   opt = SGD(lr=lr)
   G.compile(loss='binary_crossentropy', optimizer=opt)
   return G, G_out

G_in = Input(shape=[10])
G, G_out = get_generative(G_in)
G.summary()

使用 GRU 层和一些稍微不同的维度进行修改：

def get_generative(G_in, dense_dim=10, out_dim=37, lr=1e-3):
   clear_session()
   x = GRU(dense_dim, activation='tanh',return_state=True)(G_in)
   G_out = GRU(out_dim, return_state=True)(x)
   G = Model(G_in, G_out)
   opt = SGD(lr=lr)
   G.compile(loss='binary_crossentropy', optimizer=opt)
   return G, G_out

G_in = Input(shape=(None,3))
G, G_out = get_generative(G_in)
G.summary()

我在这段代码中看到的错误是：

ValueError: Tensor("gru_1/strided_slice:0", shape=(3, 10), dtype=float32) 必须来自同一图表 张量("strided_slice_1:0", shape=(?, 3), dtype=float32).

如果我删除上面的None，我会得到：

ValueError：输入 0 与层 gru_1 不兼容：预期 ndim=3， 发现 ndim=2

这里的任何解释都会有所帮助。

Answer 1

这里的问题是，RNN 层需要以下形式的 3D 张量输入：[num samples, time steps, features]。

所以我们可以将上面的代码修改为：

def get_generative(G_in, dense_dim=10, out_dim=37, lr=1e-3):
   x = GRU(dense_dim, activation='tanh',return_state=True)(G_in)
   G_out = GRU(out_dim, return_state=True)(x)
   G = Model(G_in, G_out)
   opt = SGD(lr=lr)
   G.compile(loss='binary_crossentropy', optimizer=opt)
   return G, G_out

G_in = Input(shape=(1,3))
G, G_out = get_generative(G_in)
G.summary()

所以我们的意思是，我们期望输入任意数量的样本，每个样本有 1 个时间步长，具有 3 个特征。

安娜是正确的，clear_session() 不应该在生成器函数中。

最后，如果你真的想将数据输入到网络中，它的形状也应该与我们刚才讨论的一致。您可以使用 numpy reshape 来做到这一点：

X = np.reshape(X, (X.shape[0], 1, X.shape[1]))

Answer 2

您收到一个错误，因为您在创建输入张量后清除了会话。这就是为什么输入张量与网络其他部分不来自同一个图的原因。要解决此问题，只需省略 clear_session() 行。

您的代码的另一个问题：第二个 GRU 层需要一个序列输入，因此您应该在第一个 GRU 层内使用return_sequences=True。您可能希望省略参数return_state=True，因为这会使层返回张量元组（输出和状态），而不仅仅是一个输出张量。

总结一下，下面的代码应该可以做到：

def get_generative(G_in, dense_dim=10, out_dim=37, lr=1e-3):
   x = GRU(dense_dim, activation='tanh', return_sequences=True)(G_in)
   G_out = GRU(out_dim)(x)
   G = Model(G_in, G_out)
   opt = SGD(lr=lr)
   G.compile(loss='binary_crossentropy', optimizer=opt)
   return G, G_out