Tensorflow 2.0 Создание входных данных с первым элементом формы как None - PullRequest
Новая
       58

Tensorflow 2.0 Создание входных данных с первым элементом формы как None

1 голос
/ 29 мая 2019

Я пытаюсь создать вход следующим образом: 

    Tx = 318
    n_freq = 101
    input_anchor = Input(shape=(n_freq,Tx), name='input_anchor')

Когда я бегу: 

    input_anchor.shape

Я получаю: 

    TensorShape([None, 101, 318])

Позже, когда я пытаюсь использовать этот вход в моей модели, я получаю следующую ошибку: 

    TypeError: Cannot iterate over a tensor with unknown first dimension.

В opy.py * 104 * Тензорного потока я нашел этот блок кода, который наиболее вероятен там, где мой код дает сбой: 

     def __iter__(self):
        if not context.executing_eagerly():
          raise TypeError(
              "Tensor objects are only iterable when eager execution is "
              "enabled. To iterate over this tensor use tf.map_fn.")
        shape = self._shape_tuple()
        if shape is None:
          raise TypeError("Cannot iterate over a tensor with unknown shape.")
        if not shape:
          raise TypeError("Cannot iterate over a scalar tensor.")
        if shape[0] is None:
          raise TypeError(
              "Cannot iterate over a tensor with unknown first dimension.")
        for i in xrange(shape[0]):
          yield self[i]

Если вы хотите увидеть всю мою реализацию модели, вот она: 

    def base_model(input_shape):

        X_input = Input(shape = input_shape)


        # Step 1: CONV layer (≈4 lines)
        X = Conv1D(196,kernel_size = 15, strides = 4)(X_input)                                 # CONV1D
        X = BatchNormalization()(X)                                 # Batch normalization
        X = Activation('relu')(X)                                 # ReLu activation
        X = Dropout(rate = 0.2)(X)                                 # dropout (use 0.8)

        # Step 2: First GRU Layer (≈4 lines)
        X = LSTM(units = 128, return_sequences = True)(X_input)                                 # GRU (use 128 units and return the sequences)
        X = Dropout(rate = 0.2)(X)                                 # dropout (use 0.8)
        X = BatchNormalization()(X)                                 # Batch normalization

        # Step 3: Second GRU Layer (≈4 lines)
        X = LSTM(units = 128, return_sequences = True)(X)                                 # GRU (use 128 units and return the sequences)
        X = Dropout(rate = 0.2)(X)                                 # dropout (use 0.8)
        X = BatchNormalization()(X)                                 # Batch normalization
        X = Dropout(rate = 0.2)(X)                                 # dropout (use 0.8)

        # Step 4: Third GRU Layer (≈4 lines)
        X = LSTM(units = 128)(X)                                 # GRU (use 128 units and return the sequences)
        X = Dropout(rate = 0.2)(X)                                 # dropout (use 0.8)
        X = BatchNormalization()(X)                                 # Batch normalization
        X = Dropout(rate = 0.2)(X)                                 # dropout (use 0.8)

        X = Dense(64)(X)

        base_model = Model(inputs = X_input, outputs = X)

        return base_model  

    def speech_model(input_shape, base_model):

        #get triplets vectors
        input_anchor = Input(shape=input_shape, name='input_anchor')
        input_positive = Input(shape=input_shape, name='input_positive')
        input_negative = Input(shape=input_shape, name='input_negative')

        vec_anchor = base_model(input_anchor)
        vec_positive = base_model(input_positive)
        vec_negative = base_model(input_negative)

        #Concatenate vectors vec_positive, vec_negative
        concat_layer = concatenate([vec_anchor,vec_positive,vec_negative], axis = -1, name='concat_layer')

        model = Model(inputs = [input_anchor,input_positive,input_negative], outputs = concat_layer, name = 'speech_to_vec')
        #model = Model(inputs = [input_anchor,input_positive,input_negative], outputs = [vec_anchor,vec_positive,vec_negative], name = 'speech_to_vec')
        #model = Model(inputs = [input_anchor,input_positiv], outputs=vec_anchor)


        return model

И строка, которая ломает все это и генерирует ошибку, упомянутую ранее 


    speech_model = speech_model(input_shape = (n_freq, Tx), base_model = base_model)

Большое спасибо за чтение, любая помощь в решении этой проблемы очень ценится.

1 Ответ

1 голос
/ 29 мая 2019

Ваша функция base_model(input_shape) требует, чтобы вы передали tuple, но вы передали ей Input Layer. 

# change
vec_anchor = base_model(input_anchor)
vec_positive = base_model(input_positive)
vec_negative = base_model(input_negative)
# to
vec_anchor = base_model(input_shape)
vec_positive = base_model(input_shape)
vec_negative = base_model(input_shape)

Кроме того, вам необходимо исправить ввод и вывод окончательной модели, поскольку concatenate не может объединить несколько типов моделей. 

concat_layer = concatenate([vec_anchor.output,vec_positive.output,vec_negative.output], axis = -1, name='concat_layer')

model = Model(inputs = [vec_anchor.input,vec_positive.input,vec_negative.input], outputs = concat_layer, name = 'speech_to_vec')
...