python中Keras序列的分类

Question

我尝试在python3中使用keras执行序列分类。我在试着对单词序列进行分类。在我的数据中，我使用word_2u vec将单词转换为形状为300的数组。我的培训数据如下

X-->word vectors列表（所有单词向量列表的长度为50个单词向量）
Y-->；一个热编码的正确类的列表（例如：[[0，0，1]，[1，0，0]，[1，0，0]…]）

当我试图初始化模型并使数据适合它时，我不断地得到错误。我不熟悉使用keras进行深度学习。我的模型的层应该是什么。另外一个特别的错误是我的输入形状不正确。在这种情况下，我的输入形状是什么？在

代码：

    training_data = []
    with open(INTENT_RECOGNITION_TRAINING, 'r') as json_file:
        json_obj = json.load(json_file)
        for data in json_obj['data']:
            for query in data['queries']:
                words = [START_TOKEN] + word_tokenize(query[0]) + [END_TOKEN]
                if len(words) > JText.MAX_QUERY_LENGTH:
                    JText.MAX_QUERY_LENGTH = len(words)
                training_data.append((words, data['intent']))
    training_data = [(JText._pad_sequence(ws, JText.MAX_QUERY_LENGTH), intent) for (ws, intent) in training_data]
    for i in range(len(training_data)):
        if training_data[i][1] not in JText.INTENTS:
            JText.INTENTS.append(training_data[i][1])
        query_vector = []
        for w in training_data[i][0]:
            if w in JText.WORD2VEC.vocab:
                query_vector.append(JText.WORD2VEC[w])
            else:
                query_vector.append(np.zeros(300))
        training_data[i] = (query_vector, training_data[i][1])
    random.shuffle(training_data)
    X_train = [tup[0] for tup in training_data]
    y_train = [tup[1] for tup in training_data]
    y_labelencoder = LabelEncoder()
    y_train = y_labelencoder.fit_transform(y_train).reshape(-1, 1)
    y_onehotencoder = OneHotEncoder(categorical_features=[0])
    y_train = y_onehotencoder.fit_transform(y_train).toarray()
    recognizer = Sequential([
        LSTM(100, input_shape=(JText.MAX_QUERY_LENGTH, 300)),
        Dense(len(JText.INTENTS), activation='sigmoid')
    ])
    recognizer.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    recognizer.fit(X_train, y_train, nb_epoch=100, batch_size=10)

获取此错误：

^{pr2}$

Answer 1

没有keras模型代码或错误消息，很难提供准确的答案。 我会根据现有的信息，通过陈述一个通用的解决方案来帮助你。在

1. 我假设你在Keras中使用LSTM来进行序列分类。如果是这样的话，你的输入应该是一个3D数组的维度（批大小、时间步长、长度、每个单词向量）。所以在你的例子中，输入是一个形状的序列（没有序列，50300），假设每个序列中有50个单词。在
2. 关于应该使用什么层，因为提供的y参数似乎只有3个分类类。如果是这种情况，可以考虑添加一个密集层，其输出_dim=3（即第一个参数3）

这个blog是序列分类的一个很好的例子，应该为初学者提供一些直观的想法。在

希望这有帮助

更新 我正在尝试做类似的事情，但遇到了同样的问题。 从你的代码看，你好像在传递一个形状的n数组（seqˉlen，300）。Keras需要一个3D numpy数组，而不是numpy数组的列表。在

这就是我如何重新配置我的训练数据

X_train = np.zeros((len(training_data,MAX_QUERY_LENGTH,300))
for i in range(len(training_data)):
     tup = training_data[i]
     X_train[i,:,:]=tup[0]

上面的代码没有经过优化，但它最好地传达了所需的更改，以便让LSTM层接受您的输入

希望这有帮助