Keras输入值错误

Question

我有张量形式的心电图数据（样本、时间步长、特征），例如(2464,15000,1)。

我的目标是对 1 到 5 范围内的标签进行分类。我对目标进行了热编码，使其具有尺寸 (2464,5)。

在开始使用 LSTM 之前，我想尝试一种基本方法。使用以下顺序模型：

 def build_model():  
        model = models.Sequential()                 
        model.add(layers.Dense(16, activation='relu',input_shape=(X_train.shape[1],X_train.shape[2]))) 
        model.add(layers.Dense(16, activation='relu'))           
        model.add(layers.Dense(y_train.shape[1], activation='softmax'))

        model.compile(loss='sparse_categorical_crossentropy',
                       optimizer='rmsprop',
                       metrics=['mae'])
        return model

    model=build_model()
    history=model.fit(X_train,
                      y_train,
                      epochs=20,
                      batch_size=512,
                      validation_data=(X_val,y_val))

不幸的是，我得到一个值错误：

文件 "C:\ProgramData\Anaconda3\lib\site-packages\keras\engine\training.py", 第 113 行，在 _standardize_input_data '带形状' + str(data_shape))

ValueError：检查目标时出错：预期 dense_13 有 3 尺寸，但得到了形状为 (2464, 5) 的数组

我搜索了其他有问题的主题。大多数情况下，输出层不符合预期目标，在我的情况下为 5。所以这应该是正确的。另一个问题通常是目标不是一个热编码的。但这也完成了。错误告诉我有三个维度（基于输入？）。但是，如果我添加一个维度以获得 (2464,5,1) 的目标维度，ValueError 会发生变化，期望与输入数据具有相同的维度，而我必须使用 softmax 层将其减少到 y 目标。

ValueError: 检查目标时出错：预期 dense_23 的形状为 (15000, 1) 但得到的数组的形状为 (5, 1)

我很困惑。能给我一个提示吗？

额外：我也尝试展平输入，但也得到了一个（不同的）ValueError（...形状（1，）但得到了形状为（5，）的数组）。这里的扁平化是正确的方法吗？

感谢您的帮助。

Answer 1

这里的问题实际上是你的损失函数。由于您已经有 1-hot 编码的 y 向量，因此您不应该使用稀疏分类交叉熵，而应该使用分类交叉熵。试试这个

分类交叉熵

为了维度，我们只做一些虚拟数据。

X_train = np.zeros((2464, 150, 1))
y_train = np.zeros((2464,))

X_val = np.zeros((2464, 150, 1))
y_val = np.zeros((2464,))

X_train_r = X_train.reshape(2464,150,)
X_val_r = X_val.reshape(2464,150,)
input_shape = (150,)

print(X_train_r.shape)
print(X_val_r.shape)

(2464, 150)
(2464, 150)

现在我们将为标签获取一个热编码输出。

num_classes = 5
# Convert class vectors to binary class matrices. This uses 1 hot encoding.
y_train_binary = keras.utils.to_categorical(y_train, num_classes)
y_val_binary = keras.utils.to_categorical(y_val, num_classes)

print(y_train_binary.shape)
print(y_val_binary.shape)

(2464, 5)
(2464, 5)

现在我们将制作我们的模型如下

model = Sequential()                 
model.add(Dense(16, activation='relu',input_shape=input_shape)) 
model.add(Dense(16, activation='relu'))           
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.summary()

history=model.fit(X_train_r,
                  y_train_binary,
                  epochs=5,
                  batch_size=8,
                  validation_data=(X_val_r, y_val_binary))

这对你有用。

稀疏分类交叉熵

如果您想使用稀疏分类交叉熵，则不应使用 1-hot 编码标签。像这样

X_train = np.zeros((2464, 150, 1))
y_train = np.zeros((2464,))

X_val = np.zeros((2464, 150, 1))
y_val = np.zeros((2464,))

X_train_r = X_train.reshape(2464,150,)
X_val_r = X_val.reshape(2464,150,)
input_shape = (150,)

num_classes = 5

model = Sequential()                 
model.add(Dense(16, activation='relu',input_shape=input_shape)) 
model.add(Dense(16, activation='relu'))           
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss='sparse_categorical_crossentropy',
                       optimizer='rmsprop',
                       metrics=['mae'])

model.summary()

history=model.fit(X_train_r,
                  y_train,
                  epochs=5,
                  batch_size=8,
                  validation_data=(X_val_r, y_val))