Keras LSTM 错误 - Logits 和标签应该具有相同的形状

Posted 2023-03-13

【中文标题】Keras LSTM 错误 - Logits 和标签应该具有相同的形状

【英文标题】：Keras LSTM error - Logits and labels should have the same shape

【发布时间】：2021-07-11 04:39:36

【问题描述】：

我正在尝试使用 Keras LSTM 进行二进制分类。

我的输入数据是 2340 条记录 * 254 个特征。

输出为 1*2340。

下面是我的代码。

X_res = np.array(X_res)
X_res =  np.reshape(X_res,([1,2340,254]))
y_res = np.array(y_res)
y_res = np.reshape(y_res,([1,2340]))
y_test = np.array(y_test)
y_test = np.reshape(y_test,([1,314]))

model = keras.Sequential()
model.add(keras.layers.LSTM(32 ,input_dim = 254,return_sequences=True))
model.add(keras.layers.LSTM(100))
model.add(keras.layers.Dense(100, activation='sigmoid'))
model.add(keras.layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=[tf.keras.metrics.Recall()])
model.fit(X_res, y_res, epochs= 5)

但是我无法克服错误：

ValueError：logits 和标签必须具有相同的形状（(None, 1) vs (None, 2340)）

【问题讨论】：

你的输出层必须是 Dense(2340, ...)

感谢工作！但我预测的 Y 的形状是 (1,2340)，与 Y_train 相同。如何根据我的 X_test 使其成为正确的形状

【参考方案1】：

您需要更改最后一层以匹配所需的输出形状（从 1 到 2340）。通过运行下面的示例代码，您会看到它在实践中是如何工作的：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np

#let's simulate...
X_res=np.random.rand(2340,254)
y_res=np.random.rand(1,2340)
y_test=np.random.rand(1,314)

X_res = np.array(X_res)
X_res =  np.reshape(X_res,([1,2340,254]))
y_res = np.array(y_res)
y_res = np.reshape(y_res,([1,2340]))
y_test = np.array(y_test)
y_test = np.reshape(y_test,([1,314]))

model = keras.Sequential()
model.add(keras.layers.LSTM(32 ,input_dim = 254,return_sequences=True))
model.add(keras.layers.LSTM(100))
model.add(keras.layers.Dense(100, activation='sigmoid'))
model.add(keras.layers.Dense(2340, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=[tf.keras.metrics.Recall()])

model.summary()

#test a littlebit before training...
test_input=tf.ones((1,2340,254))

print("Test result of original model: ",model(test_input).numpy())

#train...
model.fit(X_res, y_res, epochs= 5)

#test after training...just to show the shapes of inputs and outputs. Change the number of inputs you want to test to see the effect...

how_many_inputs_you_want_to_test=1
X_test=np.random.rand(how_many_inputs_you_want_to_test,2340,254)
print("Input shape: ", X_test.shape)
y_pred = (model.predict(X_test) > 0.5).astype("int32")
print("Output shape: ",y_pred.shape)

【讨论】：

感谢您的回答！不过，我还有一个额外的问题。当我尝试使用模型进行预测时，y_pred 的形状是 (1,2340) 而不是 (1,314)。我正在使用以下语句。 X_test = np.array(X_test) , X_test = np.reshape(X_test,([1,314,254])) , y_pred = (model.predict(X_test) > 0.5).astype("int32")

注意输入的形状是否正确。我在包括代码在内的原始答案中添加了简短的“训练后测试”部分，在这个例子中你可以看到正确的形状格式，还可以看到测试用例的增加如何增加相应的输出大小。

如果我的测试数据是 314 条记录 * 254 条特征，我怎么可能将其重塑为（314 * 2340 * 254）？？

不可能，我将添加另一个答案，该答案给出了您的案例中的重塑示例。请注意，在重塑张量时，重塑前张量和重塑后张量的大小需要适当。在转换中遵循逻辑； “如果我有一个 2x2 块的拼图，可以将其重塑为“1x4”块拼图或“4x1”块拼图，但例如不要变成“3x2”大小的拼图，因为块数不够。跨度>

【参考方案2】：

建议如何在这个问题案例中重塑张量：

#About tensors and reshaping
import tensorflow as tf

#The tensor need to be reshaped:
example_tensor=tf.ones((314,254))

try:
    #The reshaping is done by the command:
    example_tensor_reshaped=tf.reshape(example_tensor,[314,2340,254])
except:
    print("Sorry, this conversion is not possible!")
#----> which produce an error!

#Why? Because the reshaping is possible only with compatible sizes, for example conversion:
print("...thus let's try again with a different conversion...")
#The tensor need to be reshaped:
example_tensor=tf.ones((314,254*2340))

#The reshaping is done by the command:
example_tensor_reshaped=tf.reshape(example_tensor,[314,2340,254])

#----> which happens succesfully!
print("The shape of reshaped tensor: ",example_tensor_reshaped.shape)