Маскирование проставленных временных меток в модели керас на основе CuDNNLSTM переменной длины - PullRequest
Новая
       74

Маскирование проставленных временных меток в модели керас на основе CuDNNLSTM переменной длины

0 голосов
/ 17 октября 2019

Я хочу обработать многофайловый набор данных TFRecord с последовательностями переменной длины из 12 объектов по модели CuDNNLSTM и классифицировать его по 7 классам. Чтобы иметь возможность выполнять пакетную обработку, мне нужно дополнить последовательности в каждом пакете, чтобы иметь фиксированную длину. Я знаю, что могу сделать это с помощью функции padded_batch набора данных tenorflow, но я хочу замаскировать заполненные нули во время обучения, и CuDNNLSTM не поддерживает использование маскирующего слоя. Поэтому я решил дополнить все последовательности во время разбора примера TFRecord до глобальной максимальной длины (скажем, 100) и использовать выборочное взвешивание, чтобы замаскировать заполненные временные метки на выходе набора данных, и прочитать все файлы набора данных, а также создать пакеты с дополнением и маскированием, используя приведенные нижекод: 

featuresDict = {# Data: Variable-length sequence of 12 features
                'data': tf.FixedLenFeature([], dtype=tf.string),                        
                # rows: Length of sequence (for decoding it back to an array)
                'rows': tf.FixedLenFeature([], dtype=tf.int64),         
                # label: Label of sequence for classification (0 to 6)
                'label': tf.FixedLenFeature([], dtype=tf.int64)}

def parse_tfrecord(example):
    features = tf.parse_single_example(example, featuresDict)
    label = tf.one_hot(features['label'], 7)
    rows = features['rows']
    data = tf.decode_raw(features['data'], tf.int64)
    data = tf.reshape(data, (rows, 12))           
    dataLen = tf.shape(data)[0]
    mask = tf.ones(dataLen)
    data = tf.pad(data, [[0, 100-dataLen],[0,0]])
    mask = tf.pad(mask, [[0, 100-dataLen]])
    return data, label, mask

def read_datasets(pattern, numFiles, numEpochs=None, batchSize=None):
    files = tf.data.Dataset.list_files(pattern)
    def _parse(x):
        x = tf.data.TFRecordDataset(x, compression_type='GZIP')
        return x
    dataset = files.interleave(_parse, cycle_length=numFiles, block_length=1).map(parse_tfrecord)
    dataset = dataset.batch(batchSize)
    dataset = dataset.prefetch(buffer_size=batchSize)
    dataset = dataset.repeat(numEpochs)
    return dataset

Затем я определяю свою модель keras (которая состоит из нескольких слоев LSTM плюс плотный слой с размером 7 и активацией softmax) и компилирую ее, как показано ниже. Я предполагаю, что train_data должен включать данные, метки и данные маскирования в качестве весов выборки: 

train_data = read_datasets(pattern, numFiles, numEpochs=epochs, batchSize=batch_size)
model.compile(optimizer, loss='categorical_crossentropy', sample_weight_mode="temporal")
model.fit(train_data, epochs=epochs, steps_per_epoch = train_steps)

Но я получаю ошибку ниже: 

Traceback (most recent call last):
"C:/Users/sshahhey.ESFADMIN.000/.PyCharmCE2019.2/config/scratches/scratch.py", line 323, in doWork
    model.fit(train_data, epochs=epochs, steps_per_epoch = train_steps)
  File "C:\Python36\lib\site-packages\tensorflow\python\keras\engine\training.py", line 1536, in fit
    validation_split=validation_split)
  File "C:\Python36\lib\site-packages\tensorflow\python\keras\engine\training.py", line 992, in _standardize_user_data
    class_weight, batch_size)
  File "C:\Python36\lib\site-packages\tensorflow\python\keras\engine\training.py", line 1165, in _standardize_weights
    feed_sample_weight_modes)
  File "C:\Python36\lib\site-packages\tensorflow\python\keras\engine\training.py", line 1164, in <listcomp>
    for (ref, sw, cw, mode) in zip(y, sample_weights, class_weights,
  File "C:\Python36\lib\site-packages\tensorflow\python\keras\engine\training_utils.py", line 677, in standardize_weights
    'an input with shape ' + str(y.shape) + '. '
ValueError: Found a sample_weight array for an input with shape (?, 7). Timestep-wise sample weighting (use of sample_weight_mode="temporal") is restricted to outputs that are at least 3D, i.e. that have a time dimension.

В чем причина этой ошибки? Как я могу сделать свою маскировку без написания индивидуального цикла обучения?

...