ValueError: Ошибка при проверке цели: ожидалось, что main_prediction будет иметь 3 измерения, но получил массив с формой (1128, 1) - PullRequest
Новая
       21

ValueError: Ошибка при проверке цели: ожидалось, что main_prediction будет иметь 3 измерения, но получил массив с формой (1128, 1)

1 голос
/ 21 апреля 2019

Я пытаюсь адаптировать старый код, который использовал Python2.7 и Keras 1.x, для Python3.7.3 и Keras 2.2.4 и TensorFlow 1.13.1.Вот как выглядит код: 

from keras.layers import Input, add, Dense, Flatten, concatenate
from keras import activations
from keras import models
from keras import backend as K
import numpy as np

import utils
from NGF.preprocessing import tensorise_smiles, tensorise_smiles_mp
from NGF.layers import NeuralGraphHidden, NeuralGraphOutput
from NGF.models import build_graph_conv_model
from NGF.sparse import GraphTensor, EpochIterator

# ==============================================================================
# ================================ Load the data ===============================
# ==============================================================================
print("{:=^100}".format(' Data preprocessing '))
data, labels = utils.load_delaney()

# Tensorise data
X_atoms, X_bonds, X_edges = tensorise_smiles_mp(data)
print('Atoms:', X_atoms.shape)
print('Bonds:', X_bonds.shape)
print('Edges:', X_edges.shape)

# Load sizes from data shape
num_molecules = X_atoms.shape[0]
max_atoms = X_atoms.shape[1]
max_degree = X_bonds.shape[2]
num_atom_features = X_atoms.shape[-1]
num_bond_features = X_bonds.shape[-1]

# ==============================================================================
# =============== Example 1: Building a 3-layer graph convnet  =================
# ==============================================================================
print("{:=^100}".format(' Example 1 '))

# Parameters
conv_width = 8
fp_length = 62

# Define the input layers
atoms0 = Input(name='atom_inputs', shape=(max_atoms, num_atom_features))
bonds = Input(name='bond_inputs', shape=(max_atoms, max_degree, num_bond_features))
edges = Input(name='edge_inputs', shape=(max_atoms, max_degree), dtype='int32')
print("DEBUG: edges=", K.print_tensor(edges))

# Define the convoluted atom feature layers
atoms1 = NeuralGraphHidden(conv_width, activation='relu', use_bias=False)([atoms0, bonds, edges])
atoms2 = NeuralGraphHidden(conv_width, activation='relu', use_bias=False)([atoms1, bonds, edges])

# Define the outputs of each (convoluted) atom feature layer to fingerprint
fp_out0 = NeuralGraphOutput(fp_length, activation='softmax')([atoms0, bonds, edges])
fp_out1 = NeuralGraphOutput(fp_length, activation='softmax')([atoms1, bonds, edges])
fp_out2 = NeuralGraphOutput(fp_length, activation='softmax')([atoms2, bonds, edges])

# Flatten the input before the Dense layer by summing the 3 outputs to obtain fingerprint
# final_fp = merge([fp_out0, fp_out1, fp_out2], mode='sum') # Old Keras 1.x syntax
print("DEBUG: fp_out0.get_shape()=", fp_out0.get_shape())
print("DEBUG: fp_out1.get_shape()=", fp_out1.get_shape())
print("DEBUG: fp_out2.get_shape()=", fp_out2.get_shape())
# final_fp = add([fp_out0, fp_out1, fp_out2])
final_fp = concatenate([fp_out0, fp_out1, fp_out2])
print("DEBUG: final_fp.get_shape()=", final_fp.get_shape())

# Build and compile model for regression.
main_pred = Dense(1, activation='linear', name='main_prediction')(final_fp)
print("DEBUG: main_pred.get_shape()=", main_pred.get_shape())
model = models.Model(inputs=[atoms0, bonds, edges], outputs=[main_pred])
model.compile(optimizer='adagrad', loss='mse')

# Show summary
model.summary()

# Train the model
print("DEBUG: labels.shape", labels.shape)
model.fit(x=[X_atoms, X_bonds, X_edges], y=labels, epochs=20, batch_size=32, validation_split=0.2)

По сути это пользовательская сверточная нейронная сеть, которая принимает в качестве входных данных 3 различных массива переменных измерений и возвращает скалярное предсказание.И это вывод, когда я его выполняю: 

======================================== Data preprocessing ========================================
Tensorising molecules in batches...
1128/1128 [==================================================] - 1s 740us/step
Merging batch tensors...    [DONE]
Atoms: (1128, 55, 62)
Bonds: (1128, 55, 5, 6)
Edges: (1128, 55, 5)
============================================ Example 1 =============================================
DEBUG: edges= Tensor("Print:0", shape=(?, 55, 5), dtype=int32)
DEBUG: fp_out0.get_shape()= (?, 62)
DEBUG: fp_out1.get_shape()= (?, 62)
DEBUG: fp_out2.get_shape()= (?, 62)
DEBUG: final_fp.get_shape()= (?, 186)
DEBUG: main_pred.get_shape()= (?, 1)
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
atom_inputs (InputLayer)        (None, 55, 62)       0                                            
__________________________________________________________________________________________________
bond_inputs (InputLayer)        (None, 55, 5, 6)     0                                            
__________________________________________________________________________________________________
edge_inputs (InputLayer)        (None, 55, 5)        0                                            
__________________________________________________________________________________________________
neural_graph_hidden_1 (NeuralGr [(None, 55, 62), (No 2720        atom_inputs[0][0]                
                                                                 bond_inputs[0][0]                
                                                                 edge_inputs[0][0]                
__________________________________________________________________________________________________
neural_graph_hidden_2 (NeuralGr [(None, 55, 62), (No 2720        neural_graph_hidden_1[0][0]      
                                                                 bond_inputs[0][0]                
                                                                 edge_inputs[0][0]                
__________________________________________________________________________________________________
neural_graph_output_1 (NeuralGr [(None, 55, 62), (No 4278        atom_inputs[0][0]                
                                                                 bond_inputs[0][0]                
                                                                 edge_inputs[0][0]                
__________________________________________________________________________________________________
neural_graph_output_2 (NeuralGr [(None, 55, 62), (No 4278        neural_graph_hidden_1[0][0]      
                                                                 bond_inputs[0][0]                
                                                                 edge_inputs[0][0]                
__________________________________________________________________________________________________
neural_graph_output_3 (NeuralGr [(None, 55, 62), (No 4278        neural_graph_hidden_2[0][0]      
                                                                 bond_inputs[0][0]                
                                                                 edge_inputs[0][0]                
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 55, 186)      0           neural_graph_output_1[0][0]      
                                                                 neural_graph_output_2[0][0]      
                                                                 neural_graph_output_3[0][0]      
__________________________________________________________________________________________________
main_prediction (Dense)         (None, 55, 1)        187         concatenate_1[0][0]              
==================================================================================================
Total params: 18,461
Trainable params: 18,461
Non-trainable params: 0
__________________________________________________________________________________________________
DEBUG: labels.shape (1128,)
Traceback (most recent call last):
  File "/home/thomas/Programs/Anaconda3/lib/python3.7/site-packages/IPython/core/interactiveshell.py", line 3296, in run_code
    exec(code_obj, self.user_global_ns, self.user_ns)
  File "<ipython-input-2-9a41784534dc>", line 1, in <module>
    runfile('/home2/thomas/Programs/keras-neural-graph-fingerprint_Py3/examples.py', wdir='/home2/thomas/Programs/keras-neural-graph-fingerprint_Py3')
  File "/home2/thomas/Programs/pycharm-2019.1.1/helpers/pydev/_pydev_bundle/pydev_umd.py", line 197, in runfile
    pydev_imports.execfile(filename, global_vars, local_vars)  # execute the script
  File "/home2/thomas/Programs/pycharm-2019.1.1/helpers/pydev/_pydev_imps/_pydev_execfile.py", line 18, in execfile
    exec(compile(contents+"\n", file, 'exec'), glob, loc)
  File "/home2/thomas/Programs/keras-neural-graph-fingerprint_Py3/examples.py", line 80, in <module>
    model.fit(x=[X_atoms, X_bonds, X_edges], y=labels, epochs=20, batch_size=32, validation_split=0.2)
  File "/home/thomas/Programs/Anaconda3/lib/python3.7/site-packages/keras/engine/training.py", line 952, in fit
    batch_size=batch_size)
  File "/home/thomas/Programs/Anaconda3/lib/python3.7/site-packages/keras/engine/training.py", line 789, in _standardize_user_data
    exception_prefix='target')
  File "/home/thomas/Programs/Anaconda3/lib/python3.7/site-packages/keras/engine/training_utils.py", line 128, in standardize_input_data
    'with shape ' + str(data_shape))
ValueError: Error when checking target: expected main_prediction to have 3 dimensions, but got array with shape (1128, 1)

Я подозреваю, что эта ошибка связана с формой массива "метки", который является плоским.Что я делаю неправильно?Кроме того, почему я получаю

DEBUG: final_fp.get_shape () = (?, 186)

, но model.summary () показывает

concatenate_1 (Конкатенация) (Нет, 55, 186) 0

Откуда появилось это дополнительное измерение (55)?Возможно, по какой-то причине сеть ожидает, что этикетки будут иметь размеры (1128, 55, 1), а не (1128, 1).

Если вам нужна дополнительная информация, пожалуйста, спросите меня, и я добавлю больше функций отладочной печати. ​​

Ответы [ 2 ]

0 голосов
/ 23 апреля 2019

В своем коде вы упомянули в качестве комментария, что ранее использовали final_fp = merge([fp_out0, fp_out1, fp_out2], mode='sum').Итак, согласно this , вы использовали параметры mode как sum, а не concat.Вы объединяете слой, добавляя их.Но в новом коде вы используете final_fp = concatenate([fp_out0, fp_out1, fp_out2]).Итак, есть разница между вашим старым кодом и новым кодом.В новом коде вы должны использовать keras.layers.Add(), чтобы получить ту же функциональность.

И ошибка значения произошла из-за несовместимости формы с данными метки и выходным узлом модели.Попробуйте изменить keras.layers.Concatenate на keras.layers.Add.

Обновление 

final_fp = Input(shape=(55,62)) # I had used as input which can be replace with your final_fp
flatten_1 = Flatten()(final_fp)
main_pred = Dense(1, activation='linear', name='main_prediction')(flatten_1)

model = Model(inputs=final_fp,outputs=main_pred)
print(model.summary())

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 55, 62)            0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 3410)              0         
_________________________________________________________________
main_prediction (Dense)      (None, 1)                 3411      
=================================================================
Total params: 3,411
Trainable params: 3,411
Non-trainable params: 0
_________________________________________________________________
0 голосов
/ 22 апреля 2019

Ваш последний плотный слой main_predictions не дает двумерного вывода, поскольку вы не сглаживаете его входные данные.

Вам необходимо использовать слой Flatten после слоев свертки, чтобывывод Dense является двухмерным.

Для main_predictions требуется 3D-метка, но вы предоставляете ему 2D-метку.Следовательно, вы получаете сообщение об ошибке.

Вы можете добавить слой Flatten в код, например: 

flatten = Flatten()( final_fp )
main_pred = Dense(1, activation='linear', name='main_prediction')( flatten )

, а затем скомпилировать модель.

Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.

Похожие темы

...