Почему происходит сбой Keras, когда я передаю 1D список в качестве входных данных?

Question

Я только начинаю работать с Keras, поэтому я подумал, что постараюсь сделать самые простые проблемы регрессии, которые я могу себе представить, как своего рода Hello World.

Я пытаюсь обучить модель, которая выводит двойные входные данные. Я предполагаю, что сеть с двумя узлами (1 вход 1 выход) без функции активации должна сделать свое дело. Вес должен просто сходиться к 2.

Это мой код:

layers = keras.layers

# Feed forward structure
model = keras.Sequential()

model.add(layers.Dense(1))

model.add(layers.Dense(1))

model.compile(optimizer=tf.train.AdamOptimizer(0.01),
              loss='mae',
              metrics=['mae'])


train_data = np.asarray([x for x in range(100)])
train_labels = np.asarray([x * 2 for x in train_data])


model.fit(train_data, train_labels, epochs=50, batch_size=32)

Однако, когда я передаю ему одномерный массив, он вылетает со следующей ошибкой:

ValueError: The last dimension of the inputs to `Dense` should be defined. Found `None`.

Если я затем добавлю лишнюю скобку к train_data, она скомпилируется (не сходясь):

train_data = np.asarray([[x for x in range(100)]])

Epoch 50/50

1/1 [==============================] - 0s 705us/step - loss: 50.0463 - mean_absolute_error: 50.0463

Answer 1

Если вы даете модели одно число, каждая входная выборка должна иметь форму (1,). Следовательно, все 100 входных выборок будут иметь форму (100,1). Поэтому вам необходимо привести формы входных данных и меток в соответствие с тем, что ожидается:

train_data = train_data.reshape(100,1)  # 100 samples of shape 1

# you may not need to do the following necessarily
train_labels = train_labels.reshape(100,1)  # 100 labels of shape 1

# alternative way using np.expand_dims
train_data = np.expand_dims(train_data, axis=-1)

Примечания:

1. Ваша модель имеет два слоя Dense. С предоставленным вами описанием, я думаю, вы просто хотите модель с одним плотным слоем, который имеет одну единицу (то есть удалите один из плотных слоев).

2. Когда вы помещаете свои данные в другой список, например:

   train_data = np.asarray([[x for x in range(100)]])
   

   это будет двумерный массив формы (1,100), что означает один образец формы (100,), что не то, что вы ищете.