Erreur lors de la vérification des données d'entrée du modèle: attendu lstm_1_input à 3 dimensions, mais il a obtenu de la matrice de la forme (339732, 29)

Mon entrée est tout simplement un fichier csv avec 339732 lignes et de deux colonnes :

  • la première étant de 29 valeurs de fonction, c'est à dire X
  • le second, une binaire de l'étiquette de valeur, c'est à dire Y

Je suis en train de former mes données sur un empilées LSTM modèle:

data_dim = 29
timesteps = 8
num_classes = 2

model = Sequential()
model.add(LSTM(30, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30, return_sequences=True))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30))  # return a single vector of dimension 30
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.summary()
model.fit(X_train, y_train, batch_size = 400, epochs = 20, verbose = 1)

Ce envoyait le message d'erreur:

Traceback (most recent call last):
Fichier "first_approach.py", ligne 80, dans
de modèle.ajustement(X_train, y_train, batch_size = 400, des époques = 20, verbose = 1)

ValueError: Erreur lors de la vérification des données d'entrée du modèle: attendu lstm_1_input à
ont 3 dimensions, mais il a obtenu de la matrice de la forme (339732, 29)

J'ai essayé de remodeler mon entrée à l'aide de X_train.reshape((1,339732, 29)) mais il n'a pas de travail montre l'erreur:

ValueError: Erreur lors de la vérification des données d'entrée du modèle: attendu lstm_1_input à
de forme (None, 8, 29), mais il a obtenu de la matrice de la forme (1, 339732, 29)

Comment puis-je donner à mon entrée à la LSTM ?

Pourquoi êtes-vous à l'aide d'un LSTM modèle sans échéances?

OriginalL'auteur Saurav-- | 2017-06-22

  1. 19

    Réglage timesteps = 1 (depuis, j'en veux un timestep pour chaque instance) et le remodelage de l'X_train et X_test:

    import numpy as np
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

    Cela a fonctionné!

    OriginalL'auteur Saurav--

  2. 3

    Pour timesteps != 1, vous pouvez utiliser la sous fonction (adapté de ici)

    import numpy as np
def create_dataset(dataset, look_back=1):
  dataX, dataY = [], []
  for i in range(len(dataset)-look_back+1):
    a = dataset[i:(i+look_back), :]
    dataX.append(a)
    dataY.append(dataset[i + look_back - 1, :])
  return np.array(dataX), np.array(dataY)

    Exemples

    X = np.reshape(range(30),(3,10)).transpose()
array([[ 0, 10, 20],
[ 1, 11, 21],
[ 2, 12, 22],
[ 3, 13, 23],
[ 4, 14, 24],
[ 5, 15, 25],
[ 6, 16, 26],
[ 7, 17, 27],
[ 8, 18, 28],
[ 9, 19, 29]])
create_dataset(X, look_back=1 )
(array([[[ 0, 10, 20]],
[[ 1, 11, 21]],
[[ 2, 12, 22]],
[[ 3, 13, 23]],
[[ 4, 14, 24]],
[[ 5, 15, 25]],
[[ 6, 16, 26]],
[[ 7, 17, 27]],
[[ 8, 18, 28]],
[[ 9, 19, 29]]]),
array([[ 0, 10, 20],
[ 1, 11, 21],
[ 2, 12, 22],
[ 3, 13, 23],
[ 4, 14, 24],
[ 5, 15, 25],
[ 6, 16, 26],
[ 7, 17, 27],
[ 8, 18, 28],
[ 9, 19, 29]]))
create_dataset(X, look_back=3)
(array([[[ 0, 10, 20],
[ 1, 11, 21],
[ 2, 12, 22]],
[[ 1, 11, 21],
[ 2, 12, 22],
[ 3, 13, 23]],
[[ 2, 12, 22],
[ 3, 13, 23],
[ 4, 14, 24]],
[[ 3, 13, 23],
[ 4, 14, 24],
[ 5, 15, 25]],
[[ 4, 14, 24],
[ 5, 15, 25],
[ 6, 16, 26]],
[[ 5, 15, 25],
[ 6, 16, 26],
[ 7, 17, 27]],
[[ 6, 16, 26],
[ 7, 17, 27],
[ 8, 18, 28]],
[[ 7, 17, 27],
[ 8, 18, 28],
[ 9, 19, 29]]]),
array([[ 2, 12, 22],
[ 3, 13, 23],
[ 4, 14, 24],
[ 5, 15, 25],
[ 6, 16, 26],
[ 7, 17, 27],
[ 8, 18, 28],
[ 9, 19, 29]]))
    Obtenez cette erreur lorsque je passe de l'objet renvoyé de create_dataset() en model.fit() AttributeError: 'tuple' object has no attribute 'shape'
    create_dataset retourne un tuple de x, y. Essayez x_train, y_train = create_dataset(dataset) et puis model.fit(x_train, y_train)
    J'ai une entrée de la formation qui est un np.tableau 100 lignes et 50 colonnes. Certaines de ces colonnes contiennent les valeurs flottantes, certains contiennent chaud "encodages", construit avec keras.utils.to_categorical() qui sont en fait que des tableaux. Je suis confus de ce que je pourrais utiliser x_train et y_train. Ma formation étiquettes sont dans un tableau séparé, le modèle d'entrée contient uniquement les données d'apprentissage (première entrée dans le modèle.ajustement())
    Dans ce cas, il suffit de les ignorer y_train à partir de cette fonction et d'utiliser celui que vous avez déjà dans votre tableau séparé. Aussi, le modèle.ajustement serait de prendre dans le x_train à partir de cette fonction et de votre cible
    toujours pas de travail, j'ai ouvert un bounty sur une question qui imite mon problème: stackoverflow.com/questions/51469446/... Fondamentalement, la manutention, dans l'ordre de la couche, un ensemble de formation qui contient à la fois des tableaux et des valeurs numériques

    OriginalL'auteur shadi

  3. 2

    Remodeler entrée pour LSTM:

    X = array([[10, 20, 30], [40, 50, 60], [70, 80, 90]])
X_train = X.reshape(1, 3, 3) # X.reshape(samples, timesteps, features)

    OriginalL'auteur Ashok Kumar Jayaraman