Keras InvalidArgumentError With Model.Fit ()

Question

Я пытаюсь вызвать model.fit() в последовательной модели Keras, но получаю эту ошибку:

---------------------------------------------------------------------------
InvalidArgumentError                      Traceback (most recent call last)
<ipython-input-30-3fc420144082> in <module>
     15     return model
     16 
---> 17 trained_model = build_model()

<ipython-input-30-3fc420144082> in build_model()
     10     # fit model
     11     es = tf.keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=1)
---> 12     model.fit(train_data[0], train_data[1], epochs=100,verbose=1)
     13     # validation_data = (val_data[0], val_data[1])
     14     print(model.summary())

~/.local/lib/python3.6/site-packages/tensorflow/python/keras/engine/training.py in fit(self, x, y, batch_size, epochs, verbose, callbacks, validation_split, validation_data, shuffle, class_weight, sample_weight, initial_epoch, steps_per_epoch, validation_steps, max_queue_size, workers, use_multiprocessing, **kwargs)
    878           initial_epoch=initial_epoch,
    879           steps_per_epoch=steps_per_epoch,
--> 880           validation_steps=validation_steps)
    881 
    882   def evaluate(self,

~/.local/lib/python3.6/site-packages/tensorflow/python/keras/engine/training_arrays.py in model_iteration(model, inputs, targets, sample_weights, batch_size, epochs, verbose, callbacks, val_inputs, val_targets, val_sample_weights, shuffle, initial_epoch, steps_per_epoch, validation_steps, mode, validation_in_fit, **kwargs)
    327 
    328         # Get outputs.
--> 329         batch_outs = f(ins_batch)
    330         if not isinstance(batch_outs, list):
    331           batch_outs = [batch_outs]

~/.local/lib/python3.6/site-packages/tensorflow/python/keras/backend.py in __call__(self, inputs)
   3074 
   3075     fetched = self._callable_fn(*array_vals,
-> 3076                                 run_metadata=self.run_metadata)
   3077     self._call_fetch_callbacks(fetched[-len(self._fetches):])
   3078     return nest.pack_sequence_as(self._outputs_structure,

~/.local/lib/python3.6/site-packages/tensorflow/python/client/session.py in __call__(self, *args, **kwargs)
   1437           ret = tf_session.TF_SessionRunCallable(
   1438               self._session._session, self._handle, args, status,
-> 1439               run_metadata_ptr)
   1440         if run_metadata:
   1441           proto_data = tf_session.TF_GetBuffer(run_metadata_ptr)

~/.local/lib/python3.6/site-packages/tensorflow/python/framework/errors_impl.py in __exit__(self, type_arg, value_arg, traceback_arg)
    526             None, None,
    527             compat.as_text(c_api.TF_Message(self.status.status)),
--> 528             c_api.TF_GetCode(self.status.status))
    529     # Delete the underlying status object from memory otherwise it stays alive
    530     # as there is a reference to status from this from the traceback due to

InvalidArgumentError: data[0].shape = [3] does not start with indices[0].shape = [2]
     [[{{node training_40/Adam/gradients/loss_21/dense_21_loss/MeanSquaredError/Mean_grad/DynamicStitch}}]]

Я создал набор тренировочных точек, каждый 1 x 3, который вызывается train_data [0] и набор обучающих меток, каждый 1x1, вызываемый train_data [1].Вот код, который я использую для построения модели:

def build_model():
    '''
    Function to build a LSTM RNN model that takes in quantitiy, converted week; outputs predicted price
    '''
    # define model
    model = tf.keras.Sequential()
    model.add(tf.keras.layers.LSTM(128, activation='relu', input_shape=(num_steps,num_features*input_size)))
    model.add(tf.keras.layers.Dense(input_size))
    model.compile(optimizer='adam', loss='mse')
    # fit model
    es = tf.keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=1)
    model.fit(train_data[0], train_data[1], epochs=100,verbose=1)
    # validation_data = (val_data[0], val_data[1])
    print(model.summary())
    return model

trained_model = build_model()

Я не уверен, почему, но когда я звоню model.fit(train_data, epochs = 100) и не разбиваю его на точки и метки, все работает хорошо.Любые идеи будут высоко оценены!

Answer 1

Имеет смысл в соответствии с документацией tenorflow для tf.keras.models.Model:

https://www.tensorflow.org/api_docs/python/tf/keras/models/Model#fit

 fit(x=None, y=None, batch_size=None, epochs=1, ...)

Точность:

y: Целевые данные.Как и входные данные x, это может быть либо массив (ы) Numpy, либо тензор (ы) TensorFlow.Он должен соответствовать x (вы не можете иметь входные значения Numpy и тензорные цели, или наоборот). Если x является набором данных, итератором набора данных, генератором или экземпляром keras.utils.Sequence, y указывать не следует (поскольку цели будут получены из x).

ВашТак как lstm является последовательной моделью, я думаю, вы подготовили train_data для типа keras.utils.Sequence?

Пожалуйста, также знайте о вашей версии tenorflow, ссылка на документацию выше для r1.13

Редактировать :

Попробуйте подготовить свой набор данных следующим образом:

features_type = tf.float32
target_type = tf.int32

train_dataset = tf.data.Dataset.from_tensor_slices(
    tf.cast(train_data[0].values, features_type),
    tf.cast(train_data[1].values, target_type)
)

model.fit(train_dataset, epochs=100, verbose=1)

Убедитесь, что вы адаптируете features_type (все функции добавленыкак float32) и target_type (int32 для классификации) для вашей проблемы, которую вы в настоящее время хотите решить.