我目前正在使用一个共解层来训练一个神经系统,但似乎在向它输入和输出维度时遇到了一些问题。。你知道吗
输入包括(x,2050) 输出为(x,13) 因此,对于每行2050列,应该创建一个包含13个元素的数组。。你知道吗
#Define 10 folds:
seed = 7
np.random.seed(seed)
kfold = KFold(n_splits=10, shuffle=False, random_state=None)
print "Splits"
cvscores_acc = []
cvscores_loss = []
hist = []
i = 0
train_set_data_vstacked_normalized_reshaped = np.reshape(train_set_data_vstacked_normalized,train_set_data_vstacked_normalized.shape+(1,))
train_set_output_vstacked_normalized_reshaped = np.reshape(train_set_output_vstacked_normalized,train_set_output_vstacked_normalized.shape+(1,))
for train, test in kfold.split(train_set_data_vstacked_normalized_reshaped):
print "Model definition!"
model = Sequential()
model.add(Convolution1D(13, 3, border_mode='same', input_shape=(2050,1)))
print "Compiling"
model.compile(loss='mean_squared_error', optimizer="RMSprop")
print "Compile done! "
print '\n'
print "Train start"
reduce_lr=ReduceLROnPlateau(monitor='val_loss', factor=0.01, patience=3, verbose=1, mode='auto', epsilon=0.0001, cooldown=0, min_lr=0.00000001)
stop = EarlyStopping(monitor='val_loss', min_delta=0, patience=5, verbose=1, mode='auto')
log=csv_logger = CSVLogger('training_'+str(i)+'.csv')
hist_current = model.fit(train_set_data_vstacked_normalized_reshaped[train],
train_set_output_vstacked_normalized_reshaped[train],
shuffle=False,
validation_data=(train_set_data_vstacked_normalized_reshaped[test],train_set_output_vstacked_normalized_reshaped[test]),
validation_split=0.1,
nb_epoch=150,
verbose=1,
callbacks=[reduce_lr,log,stop])
hist.append(hist_current)
print()
print model.summary()
print "Model stored"
model.save("Model"+str(i)+".h5")
model.save_weights("Model"+str(i)+"_weights.h5")
del model
print "New Model:"
i=i+1
我似乎在输入数据时遇到了问题,我在某个地方读到,Convolution1D
期望一个3d作为输入和输出,这就是为什么我要将它重塑为3d。。但不知为什么它还是不合适。你知道吗
我在当前代码中遇到此错误:
Exception: Error when checking model target: expected convolution1d_1 to have shape (None, 2050, 13) but got array with shape (221286, 13, 1)
为什么我不能开始一个训练课程?。。。你知道吗
所以基本上-在你的人际网络中你有:
kernel_size = 3
的13个一维卷积特征,而在same
边界模式中,这些特征产生13个维特征向量的序列,每个特征向量的长度为2050。你知道吗这就解释了为什么Keras向您显示它需要一个
(None, 2050, 13)
目标形状。你知道吗有几种方法可以使其工作:
您可以通过添加以下内容将卷积层的输出变平:
然后把你的目标变平
train_set_output_vstacked_normalized_reshaped[train].reshape((221286, 13))
通过添加又一卷积层结合池和不同边界模式以获得长度为13的输出序列。这里有太多的可能性,我将跳过这一部分。
请注意-您在这里只使用激活功能。在最后一个
dense
层中,这似乎是一个好的决定,而在前面的层中,应用一些非线性激活(如relu
)以使您的网络更好地工作是很好的。你知道吗相关问题 更多 >
编程相关推荐