Keras 适合模型：TypeError：不可散列的类型：'numpy.ndarray'答案

【问题标题】：Keras fit model: TypeError: unhashable type: 'numpy.ndarray'Keras 适合模型：TypeError：不可散列的类型：'numpy.ndarray'
【发布时间】：2019-03-22 21:01:55
【问题描述】：

我实现了以下代码。它在以前版本的 Keras 中成功运行：

max_sequence = 56
input_dim = 26    

print("Build model..1")
first_input = Input(shape=(max_sequence,input_dim))
first_lstm = LSTM(5, return_sequences=True)(first_input)
first_bn = BatchNormalization()(first_lstm)
first_activation = Activation('tanh')(first_bn)
first_flat = Flatten()(first_activation)

print("Build model..2")
second_input = Input(shape=(max_sequence,input_dim))
second_lstm = LSTM(5, return_sequences=True)(second_input)
second_bn = BatchNormalization()(second_lstm)
second_activation = Activation('tanh')(second_bn)
second_flat = Flatten()(second_activation)

merge=concatenate([first_flat, second_flat])
merge_dense=Dense(3)(merge)
merge_bn = BatchNormalization()(merge_dense)
merge_activation = Activation('tanh')(merge_bn)
merge_dense2=Dense(1)(merge_activation)
merge_activation2 = Activation('tanh')(merge_dense2)

train_x_1 = np.reshape(np.array(train_x_1), [2999, 56, 26])
train_x_2 = np.reshape(np.array(train_x_2), [2999, 56, 26])


model=Model(inputs=[train_x_1,train_x_2], outputs=train_y_class)

optimizer = RMSprop(lr=0.5)
model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])



history = model.fit([train_x_1, train_x_2], train_y_class, nb_epoch=300, batch_size=128,
                    validation_data=([val_x_1, val_x_2], val_y_class))

运行时：

history = model.fit([train_x_1, train_x_2], train_y_class, nb_epoch=300, batch_size=128,
                    validation_data=([val_x_1, val_x_2], val_y_class))

出现以下错误：

TypeError: unhashable type: 'numpy.ndarray' accours.

所以我检查了train_x_1、train_x_2、train_y_class。他们的类型是<class 'numpy.ndarray'>。我已经搜索了一个解决方案，所以我尝试将类型更改为元组，但它没有工作。

如果numpy.ndarray 不可散列，model.fit 接收什么类型的输入？

train数据的形状如下：

train_x_1.shape
(2999, 56, 26)
train_x_2.shape
(2999, 56, 26)
train_y_class.shape
(2999, 1)

train_x_1 的示例如下：

array([[[ 1.62601626e-02,  2.26890756e-01,  1.17764920e-02, ...,
          0.00000000e+00,  0.00000000e+00,  0.00000000e+00],
        [ 1.62601626e-02,  2.26890756e-01,  1.17764920e-02, ...,
          0.00000000e+00,  0.00000000e+00,  0.00000000e+00],
        [ 1.62601626e-02,  2.26890756e-01,  1.17764920e-02, ...,
          0.00000000e+00,  0.00000000e+00,  0.00000000e+00],
        ...,
        [ 1.62601626e-02,  2.26890756e-01,  1.17764920e-02, ...,
          0.00000000e+00,  0.00000000e+00,  0.00000000e+00],
        [ 1.62601626e-02,  2.26890756e-01,  1.17764920e-02, ...,
          0.00000000e+00,  0.00000000e+00,  0.00000000e+00],
        [ 1.62601626e-02,  2.26890756e-01,  1.17764920e-02, ...,
          0.00000000e+00,  0.00000000e+00,  0.00000000e+00]],

【问题讨论】：

train_x_1, train_x_2, train_y_class的各个元素的类型也是numpy.ndarray吗？这可能是问题所在。如果是这种情况，您应该使用张量，而不是嵌套的 ndarray。您能否发布这三个变量的内容示例？
@DanielR。我发布了火车数据的形状和train_x_1的样本。我应该使用张量吗？嗯..
不，好的，我假设会抛出错误，因为您使用了一些 np.array 的 np.arrays，但事实并非如此。 Input(shape=(max_sequence,input_dim)) 中定义的输入形状是否与您提供的输入一致？此外，如果 train_x_1 和 train_x_2 应该是同一个模型的输入，最好将它们 np.stack 并将堆叠的数组提供给模型，而不是将两个张量作为列表的元素传递。 train_x_1 = np.reshape(np.array(train_x_1)你为什么打电话给np.array？
@DanielR。感谢回复。实际上，我将使用贝叶斯优化调整每个 LSTM 的超参数。所以，两个模型是不一样的。 max_sequence = 56，input_dim = 26。在我的情况下，我应该使用什么形状..？我想我必须使用 np.array 的 np.array..
@DanielR。对不起。我有错字。我应该使用什么类型？

标签： python numpy machine-learning keras lstm

【解决方案1】：

问题是您在构建模型时直接将输入和输出数组（而不是输入和输出张量）传递给Model 类：

model = Model(inputs=[train_x_1,train_x_2], outputs=train_y_class)

相反，您需要像这样传递相应的输入和输出张量：

model = Model(inputs=[first_input,second_input], outputs=merge_activation2)

【讨论】：