Keras R 值错误：没有为“dense_59”提供数据

Question

我是第一次在 R 中使用 KERAS 包。使用本教程帮助指导我的第一个模型 (https://keras.rstudio.com/articles/tutorial_basic_regression.html)。一切都很顺利，直到我开始实际的“模型构建”，我能够完美地复制链接中的示例，但是一旦我替换了我自己的数据，我就无法让这个错误消息消失 "py_call_impl(callable, dots$args, dots$keywords) 中的错误： ValueError：没有为“dense_59”提供数据。需要每个键的数据：['dense_59'] "

我尝试调整单位，但它所做的只是更改“dense_”之后的数字。无论如何，我的训练数据是 6 列 964 行。

build_model <- function() {

  model <- keras_model_sequential() %>%
    layer_dense(units = 5, activation = "relu",
                input_shape = dim(train)[2]) %>%
    layer_dense(units = 5, activation = "relu") %>%
    layer_dense(units = 1)

  model %>% compile(
    loss = "mse",
    optimizer = optimizer_rmsprop(),
    metrics = list("mean_absolute_error")
  )

  model
}

model <- build_model()
model %>% summary()

print_dot_callback <- callback_lambda(
  on_epoch_end = function(epoch, logs) {
    if (epoch %% 80 == 0) cat("\n")
    cat(".")
  }
)    

epochs <- 200

history <- model %>% fit(
  train,
  train_labels,
  epochs = epochs,
  validation_split = 0.2,
  verbose = 0,
  callbacks = list(print_dot_callback)
)

由于这是我第一次使用 Keras，所以在解决这个问题时我真的不知道从哪里开始。任何帮助深表感谢。谢谢！

Answer 1

您的数据不是最小的工作示例。 你的train 指的是没有给出的东西。没有人可以尝试您的代码。 因此没有人帮忙。

总是发布一个最小的工作示例 - 尽管你不经常看到它。这是快速获得答案的最快方法！

但是，我花了一些时间来回答这个问题。并创造了我需要的东西。

在虚拟环境中安装keras 和R

我使用 conda，创建虚拟环境 - 因为当您必须安装像 keras 这样的复杂软件包时，它可以节省大量工作。

# create new environment in conda
conda create --name newR
# enter new environment
conda activate newR
# install 'keras' package - and at the same time R and 
# everything you need to run keras properly.
conda install -c r r-keras

# enter R
R

# to fully intall 'keras' with 'tensorflow', do
require(keras)
install_keras()

# so easy the installation is with conda ... 5 min maybe.

生成数据

由于你没有给出示例数据，我拿了虹膜数据。

data(iris)
X <- iris[, 1:4]
y <- as.numeric(iris[, 5])

你提供的数据想要做回归，但是鸢尾花的标签y 是分类数据。我在分类数据上应用了as.numeric() 以使其成为数字。

试试你给定的代码

然后，我拿走了你的代码，将train 更改为X 和train_labels 为y。

build_model <- function() {

  model <- keras_model_sequential() %>%
    layer_dense(units = 5, activation = "relu",
                input_shape = dim(X)[2]) %>%
    layer_dense(units = 5, activation = "relu") %>%
    layer_dense(units = 1)

  model %>% compile(
    loss = "mse",
    optimizer = optimizer_rmsprop(),
    metrics = list("mean_absolute_error")
  )

  model
}

print_dot_callback <- callback_lambda(
  on_epoch_end = function(epoch, logs) {
    if (epoch %% 80 == 0) cat("\n")
    cat(".")
  }
)    

epochs <- 200

history <- model %>% fit(
  as.matrix(X),
  y,
  epochs = epochs,
  validation_split = 0.2,
  verbose = 0,
  callbacks = list(print_dot_callback)
)

它运行顺利，没有任何错误！ （点）。

>history
Trained on 120 samples (batch_size=32, epochs=200)
Final epoch (plot to see history):
                   loss: 0.04127
    mean_absolute_error: 0.1497
               val_loss: 0.1147
val_mean_absolute_error: 0.2761 

# save model
keras::save_model_hdf5(model, filepath = "test_rkeras.h5")

# load model
keras::load_model_hdf5("test_rkeras.h5")

导致：

Model
________________________________________________________________________________
Layer (type)                        Output Shape                    Param #     
================================================================================
dense (Dense)                       (None, 5)                       25          
________________________________________________________________________________
dense_1 (Dense)                     (None, 5)                       30          
________________________________________________________________________________
dense_2 (Dense)                     (None, 1)                       6           
================================================================================
Total params: 61
Trainable params: 61
Non-trainable params: 0
________________________________________________________________________________

所以效果很好！

结论

这证明你的模型和代码是有效的。

只是您的输入数据一定是问题所在！ 使用str(train) 检查其结构。它应该是一个简单的二维数字矩阵！你的标签/目标向量是一个简单的数字向量吗？

大多数错误发生在读入数据时。 读入一些数据后，请务必检查数据是否符合您的预期！