用于训练的 Keras 形状特征答案

【问题标题】：Keras shape of features for training用于训练的 Keras 形状特征
【发布时间】：2016-09-19 05:47:46
【问题描述】：

我正在尝试使用 keras train_on_batch 函数训练 nn。我有 39 个功能，并且希望一批包含 32 个样本。因此，每次训练迭代我都有一个包含 32 个 numpy 数组的列表。

这是我的代码（这里每个 batch_x 是一个包含 32 个 numpy 数组的列表，每个数组包含 39 个特征）：

input_shape = (39,)

model = Sequential()
model.add(Dense(39, input_shape=input_shape)) # show you is only first layer
... 

for batch_x, batch_y in train_gen:
    model.train_on_batch(batch_x, batch_y)

但是我突然报错了：

Exception: Error when checking model input: the list of Numpy arrays
that you are passing to your model is not the size the model expected.
Expected to see 1 arrays but instead got the following list of 32 arrays:

我不太确定出了什么问题。

附：我还尝试了不同的input_shape，例如 (32, 39)、(39, 32) 等。

【问题讨论】：

标签： python python-2.7 machine-learning keras training-data

【解决方案1】：

您不想要 32 个大小为 39 的数组，您想要一个大小为 (32, 39) 的数组。

因此您必须将 input_shape 更改为 (None, 39)，None 允许您动态更改 batch_size，并将 batch_x 更改为形状为 (32, 39) 的 numpy 数组。

【讨论】：

【解决方案2】：

在 Keras 中，第一个参数是输出而不是输入维度。 Keras docs 头版示例非常清楚：

model.add(Dense(output_dim=64, input_dim=100))

调整该示例以符合我猜是您的要求：

model.add(Dense(output_dim=39, input_dim=39))

在您的代码中，Dense 层中的第一个位置 arg 是 39，它将输出设置为 39-D，而不是您可能假设的输入。你说你有 39 个输入特征。第一层（我试图复制您的意图）不会从您的 39 维输入特征向量中进行任何压缩或特征提取。

您为什么不为每一层设置输入和输出数组的尺寸（如示例中所示），然后不考虑输入_shape？只是重塑您的输入（和标签）以匹配默认假设？此外，您可以尝试在输入数据集（或其中的一部分）上运行基本的 fit 方法，然后再进行更复杂的安排，例如像您所做的那样手动批量训练。

这是一个关于你的特征维度的玩具问题的例子：

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.regularizers import l1l2

X = np.random.randn(1000, 39)
y = np.array([X[i,7:13].sum() for i in range(X.shape[0])])

nn = Sequential()
nn.add(Dense(output_dim=1, input_dim=39))
nn.compile('sgd', 'mse')
nn.fit(X, y, nb_epoch=10)

这给出了：

Epoch 1/10
1000/1000 [==============================] - 0s - loss: 4.6266      
...    
Epoch 10/10
1000/1000 [==============================] - 0s - loss: 1.4048e-04

【讨论】：