TensorFlow Keras 返回多个预测，同时期待一个

Question

我正在学习 TensorFlow 和 LSTM，我想知道为什么当我训练它返回一个值时，我的预测输出有多个值。我的目标是在使用数组进行情感分析训练后获得 0 到 1 之间的单个值。

训练输入数据如下所示：

[[59, 21, ... 118, 194], ... [12, 110, ... 231, 127]]

所有输入数组的长度相同，用 0 填充。训练目标数据如下所示：

[1.0, 0.5, 0.0, 1.0, 0.0 ...]

模型：

model = Sequential()

model.add(Embedding(input_length, 64, mask_zero=True))

model.add(LSTM(100))

model.add(Dense(1, activation=tf.nn.sigmoid))

为什么预测似乎一次评估每个单独的值而不是整个数组？

model.predict([192])

# Returns [[0.5491102]]

model.predict([192, 25])

# Returns [[0.5491102, 0.4923803]]

model.predict([192, 25, 651])

# Returns [[0.5491102, 0.4923803, 0.53853387]]

我不想取输出的平均值，因为输入数组中的值之间的关系对于情感分析很重要。如果我正在训练预测单个值，我不明白为什么不输出单个值。我是 TensorFlow、Keras 和分层神经网络的新手，所以我确定我遗漏了一些明显的东西。

Answer 1

当你写：model.predict([192, 25, 651])如果您为模型提供三个输入样本，因此作为回报，您将获得三个输出，每个输入样本一个。相反，如果[192, 25, 651]您真的指的是一个输入样本，那么您可以将其包装在两个列表中：model.predict([[[192, 25, 651]]])原因：最外层的列表对应的是模型所有输入层的所有输入数据的列表，这里是一个。第二个列表对应第一个（也是唯一一个）输入层的数据，第三个列表对应一个输入样本。列表输入就是这种情况，因为多输入（和多输出）Keras 模型应该将输入数组列表作为输入。一种更好的方法是使用 numpy 数组：model.predict(np.array([[192, 25, 651]]))np.array([[192, 25, 651]])的形状(1,3)意味着一个长度为 3 的样本。