神经网络的数据准备（列表作为输入和输出）。需要推荐[关闭]

Question

目前，我正在处理一个需要重新排序列表的 DP 项目，例如：

input_list = [1, 1, 2, 2]
output_list = [1, 2, 1, 2]

所以，我已经使用 Keras 的 to_categorical 函数对我的输入和输出列表进行了编码：

X = to_categorical(input_list, num_classes=10)
X
array([[ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]])

在我将它们重塑为 3D 形状后（对于 LSTM）：

X = X.reshape(1,4,10)
y = y.reshape(1,4,10)

对于损失函数和指标，我使用 binary_crossentropy 和 F1。

我的问题是准确性。有时我得到 f.e.列表中的数字错误：

y_out 是[1,2,2,2]，但我需要[1,2,1,2]。

那么，我的问题：

• 对我的项目使用 to_categorical 编码数据是个好主意吗？
• 度量和损失函数呢？我应该尝试其他方法吗？
• 我真的很喜欢这种类型的错误 -> 我的 y_out 是[1,2,2,2]，但我需要[1,2,1,2]。 有什么办法克服它吗？
• 另外，如果你知道类似的项目，请分享你的知识。

欢迎任何反馈:)

关于我的项目的一些额外数据：

代码：

    from keras.models import Sequential
    from keras.layers import Dense
    import numpy as np

    model = Sequential()
    model.add(Bidirectional(GRU(32, return_sequences=True), input_shape=(None, 1)))
    model.add(Dense(30, activation='elu'))
    model.add(BatchNormalization())
    model.add(Dense(1, activation='sigmoid', kernel_initializer='normal', use_bias=True))
    model.compile(loss='binary_crossentropy', optimizer=keras.optimizers.Adam(lr=0.001), 
              metrics=[f1])
    model.fit(a, y, epochs=5000, batch_size=500, callbacks = callbacks)

我的模型总结

---

Layer (type)                 Output Shape              Param #   
=================================================================
bidirectional_11 (Bidirectio (None, None, 64)          6528      
_________________________________________________________________
dense_18 (Dense)             (None, None, 30)          1950      
_________________________________________________________________
batch_normalization_8 (Batch (None, None, 30)          120       
_________________________________________________________________
dense_19 (Dense)             (None, None, 1)           31        
=================================================================
Total params: 8,629
Trainable params: 8,569
Non-trainable params: 60

Answer 1

如果您要重新排序的列表是 4 个元素的序列，那么您应该真正使用 (BatchSize, 4, ?) 的形状，其中 ? 可以是 10，如果它们是类，或者甚至只是原始数字，如果数字是一个实际的数值/强度。