Нейронные сети с использованием неверных размеров Keras - PullRequest
Новая
       4

Нейронные сети с использованием неверных размеров Keras

0 голосов
/ 13 февраля 2020

Я работаю над Tensorflow 1.5 для набора данных Mnist. Когда я подгоняю свою модель, она говорит:

ожидал, что плотность_ввода будет иметь 2 измерения, но получил массив с формой (60000, 28, 28)

см. Мой код 


import tensorflow as tf
(train_imgs, train_labels ) , (test_imgs , test_labels ) = tf.keras.datasets.mnist.load_data()
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(512,activation=tf.nn.relu,input_shape = (784,)))
model.add(tf.keras.layers.Dense(256,activation=tf.nn.relu) )
model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))
model.compile(loss='categorical_crossentropy' , optimizer='adam')
model.fit(train_imgs,train_labels,epochs=5)

Это из-за зависимости версии или ошибки кода?

или мне нужно изменить форму набора данных?

1 Ответ

2 голосов
/ 13 февраля 2020 
import tensorflow as tf
(train_imgs, train_labels ) , (test_imgs , test_labels ) = tf.keras.datasets.mnist.load_data()

Вы должны измениться. MLP как ваша модель - не берите 2-мерные массивы. Изменить форму: 

train_x = train_imgs.reshape(60000, 28*28)
test_x = test_imgs.reshape(10000, 28*28)

# you need to 1-hot encode your labels
from sklearn.preprocessing import LabelEncoder, OneHotEncoder

def one_hot_encode(labels, universe=None):
    """
    This one hot encoder works with categorical and numeric data, both.
    `universe=` you use, if labels don't contain all categories/numbers.
    Or if you want the 1hot encoding to be in a special order (not the
    automatic alphabetic order).
    `labels=` are the categories/numbers as labels to be 1hot encoded.
    """
    if universe is None:
        universe = sorted(list(set(labels)))
    nums = LabelEncoder().fit(universe).transform(labels)
    one_hot = OneHotEncoder(sparse=False).fit(np.array(universe).reshape(-1, 1))\
              .transform(np.array(nums).reshape(-1, 1))
    return one_hot

train_labels_1h = one_hot_encode(train_labels)
test_labels_1h  = one_hot_encode(test_labels)

# define epochs
epochs = 5

# define model
def create_model():
    model = tf.keras.Sequential()
    model.add(tf.keras.layers.Dense(512,activation=tf.nn.relu,input_shape = (784,)))
    model.add(tf.keras.layers.Dense(256,activation=tf.nn.relu) )
    model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax))
    model.compile(loss='categorical_crossentropy' , optimizer='adam')
    return model

# "instanciate" a model
model = create_model()

# then run
model.fit(train_x, train_labels_1h, epochs=epochs)

А затем использовать их для обучения и тестирования.

...