Keras：掩蔽和展平

Posted 2023-03-12

【中文标题】Keras：掩蔽和展平

【英文标题】：Keras: Masking and Flattening

【发布时间】：2019-01-20 09:30:30

【问题描述】：

我很难构建一个处理屏蔽输入值的简单模型。我的训练数据由可变长度的 GPS 轨迹列表组成，即每个元素包含纬度和经度的列表。

有70个训练样例

由于它们的长度可变，我用零填充它们，目的是告诉 Keras 忽略这些零值。

train_data = keras.preprocessing.sequence.pad_sequences(train_data, maxlen=max_sequence_len, dtype='float32', 
                                           padding='pre', truncating='pre', value=0)

然后我像这样构建一个非常基本的模型

model = Sequential()
model.add(Dense(16, activation='relu',input_shape=(max_sequence_len, 2)))
model.add(Flatten())
model.add(Dense(2, activation='sigmoid'))

在之前的一些尝试和错误之后，我意识到我需要Flatten 层，否则拟合模型会引发错误

ValueError: Error when checking target: expected dense_87 to have 3 dimensions, but got array with shape (70, 2)

但是，通过包含 Flatten 层，我不能使用 Masking 层（忽略填充的零），否则 Keras 会抛出此错误

TypeError: Layer flatten_31 does not support masking, but was passed an input_mask: Tensor("masking_9/Any_1:0", shape=(?, 48278), dtype=bool)

我已经广泛搜索，在这里阅读 GitHub 问题和大量 Q/A，但我无法弄清楚。

【参考方案1】：

掩蔽似乎确实有问题。但别担心：0 不会让你的模型变得更糟；最多效率低下。

我建议使用卷积方法而不是纯 Dense 或 RNN。我认为这对 GPS 数据非常有效。

请尝试以下代码：

from keras.preprocessing.sequence import pad_sequences
from keras import Sequential
from keras.layers import Dense, Flatten, Masking, LSTM, GRU, Conv1D, Dropout, MaxPooling1D
import numpy as np
import random

max_sequence_len = 70

n_samples = 100
num_coordinates = 2 # lat/long

data = [[[random.random() for _ in range(num_coordinates)]
         for y in range(min(x, max_sequence_len))]
        for x in range(n_samples)]

train_y = np.random.random((n_samples, 2))

train_data = pad_sequences(data, maxlen=max_sequence_len, dtype='float32',
                           padding='pre', truncating='pre', value=0)

model = Sequential()
model.add(Conv1D(32, (5, ), input_shape=(max_sequence_len, num_coordinates)))
model.add(Dropout(0.5))
model.add(MaxPooling1D())
model.add(Flatten())
model.add(Dense(2, activation='relu'))
model.compile(loss='mean_squared_error', optimizer="adam")
model.fit(train_data, train_y)

【讨论】：

感谢您的示例。不幸的是，它并没有提高我的准确性，但这很可能是我的数据中的一个错误。我注意到我的 max_sequence_len (198720) 和 min_sequence_len (3!!) 存在巨大差异，所以这显然是一个问题

@PhilipO'Brien 不用担心，可以理解！我建议只取序列的前几个部分和最后一个部分，比如 200 个部分。还包括序列长度的数字。这应该有帮助！

【参考方案2】：

您可以使用 全局池 层，而不是使用 Flatten 层。

这些适用于折叠长度/时间维度，而不会失去使用可变长度的能力。

因此，您可以尝试GlobalAveragePooling1D 或GlobalMaxPooling1D，而不是Flatten()。

他们都没有在代码中使用supports_masking，因此必须小心使用。

平均值会考虑比最大值更多的输入（因此应该屏蔽的值）。

最大值将只取长度中的一个。幸运的是，如果您所有的有用值都高于掩码位置的值，它将间接保留掩码。它可能需要比其他更多的输入神经元。

也就是说，是的，请尝试建议的 Conv1D 或 RNN (LSTM) 方法。

---

使用掩码创建自定义池化层

您还可以创建自己的池化层（需要一个功能性 API 模型，您可以在其中传递模型的输入和要池化的张量）

下面是一个基于输入应用掩码的平均池化示例：

def customPooling(maskVal):
    def innerFunc(x):
        inputs = x[0]
        target = x[1]

        #getting the mask by observing the model's inputs
        mask = K.equal(inputs, maskVal)
        mask = K.all(mask, axis=-1, keepdims=True)

        #inverting the mask for getting the valid steps for each sample
        mask = 1 - K.cast(mask, K.floatx())

        #summing the valid steps for each sample
        stepsPerSample = K.sum(mask, axis=1, keepdims=False)

        #applying the mask to the target (to make sure you are summing zeros below)
        target = target * mask

        #calculating the mean of the steps (using our sum of valid steps as averager)
        means = K.sum(target, axis=1, keepdims=False) / stepsPerSample

        return means

    return innerFunc


x = np.ones((2,5,3))
x[0,3:] = 0.
x[1,1:] = 0.


print(x)

inputs = Input((5,3))
out = Lambda(lambda x: x*4)(inputs)
out = Lambda(customPooling(0))([inputs,out])

model = Model(inputs,out)
model.predict(x)

【讨论】：

感谢真正有用的解释。真的很难决定奖励赏金的答案，但我觉得 PascalVKooten 只是在直接适用于我的问题方面掩盖了它。