下面是我的模型架构。数据是一个时间序列,我只需要预测最后一个值,因此return_sequences=False.
但这正是造成问题的原因。我已经能够使用 运行 nnet sequences=True,但这不是我需要做的。
我需要输入大小 (32,50,88)=(batch_size,timesteps,features) 并获得(32,88) 的输出大小=(batch_size,labels)。
特征和标签具有相同的大小,但不相关。
这段代码的错误是:
ValueError:检查目标时出错:预期dense_1有2维,但得到形状为(32, 50, 88)的数组
这发生在训练阶段(意味着架构开始生效)。
数据来自生成器的 (32,50,88) 块,标签也具有相同的大小。由于我使用keras,我需要通过生成器创建批次。我试图添加一个 (50,88) 但它根本不起作用。
我怎么能有这种架构,得到 (32,50,88) 的输入但只得到 (32,88) 作为输出?
简而言之,我需要 timestep+50 预测...我认为...
def note_model():
visible = Input(shape=(50,88), batch_shape=(32,50,88))
hidden1 = Bidirectional(LSTM(200, stateful=False, return_sequences=False, kernel_regularizer=l1(10**(-4)), dropout=0.5))(visible)
#flat = Flatten()(hidden1)
output = Dense(88, activation='sigmoid')(hidden1)
model = Model(inputs=visible, outputs=output)
print(model.summary())
return model
def train_note_model(model):
checkpoint_path_notes = "1Layer-200units-loss=BCE-Model-{epoch:02d}-{val_acc:.2f}.hdf5"
model.compile(optimizer='SGD', loss='binary_crossentropy', metrics=['accuracy']) #mean_squared_error
monitor = EarlyStopping(monitor='val_loss', min_delta=1e-3, patience=10, verbose=0, mode='min')
reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.3, patience=10, min_lr=0.001)
checkpoint = ModelCheckpoint(checkpoint_path_notes,monitor='val_loss', verbose=1, save_best_only=True, save_weights_only=False, mode='auto', period=1)
model.fit_generator(training_generator(), steps_per_epoch=2,
callbacks=[monitor, reduce_lr, checkpoint],
validation_data= validation_generator(), validation_steps= 2,
verbose=1, epochs=10, shuffle=True)
model_try = note_model()
train_note_model(model_try)
12345678_0001
相关分类