Keras - LSTM 密集层中的错误输入形状

Question

我正在尝试使用Keras 构建一个lstm 文本分类器。

这是模型结构：

model_word2vec = Sequential()
model_word2vec.add(Embedding(input_dim=vocabulary_dimension,
                    output_dim=embedding_dim,
                    weights=[word2vec_weights,
                    input_length=longest_sentence,
                    mask_zero=True,
                    trainable=False))
model_word2vec.add(LSTM(units=embedding_dim, dropout=0.25, recurrent_dropout=0.25, return_sequences=True))
model_word2vec.add(Dense(3, activation='softmax'))
model_word2vec.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])


results = model_word2vec.fit(X_tr_word2vec, y_tr_word2vec, validation_split=0.16, epochs=3, batch_size=128, verbose=0)

其中y_tr_word2vec 是一个3 维one-hot 编码变量。

当我运行上面的代码时，我得到了这个错误：

ValueError: Error when checking model target: expected dense_2 to have 3 dimensions, but got array with shape (15663, 3)

我认为问题可能与y_tr_word2vec 形状或batch size 尺寸有关，但我不确定。

更新：

我已将密集层中的return_sequences=False、y_tr_word2vec 从one-hot 更改为categorical、1 神经元，现在我使用sparse_categorical_crossentropy 而不是categorical_crossentropy。

现在，我收到此错误：ValueError: invalid literal for int() with base 10: 'countess'。

因此，现在我假设在fit() 期间，包含句子的输入向量X_tr_word2vec 出现问题。

Answer 1

问题是这段代码

model_word2vec.add(LSTM(units=dim_embedding, dropout=0.25, recurrent_dropout=0.25, return_sequences=True))
model_word2vec.add(Dense(3, activation='softmax'))

你设置了return_sequences=True，这意味着LSTM会返回一个3D数组到dense layer，而dense不需要3D数据...所以删除return_sequences=True

model_word2vec.add(LSTM(units=dim_embedding, dropout=0.25, recurrent_dropout=0.25))
model_word2vec.add(Dense(3, activation='softmax'))

为什么要设置 return_sequences=True？