Neurais dimensão rede mis-match

votos
0

Eu tenho uma configuração de rede neural para o conjunto de dados dígitos MNIST em Keras parecida com esta:

input_size = features_train.shape[1]
hidden_size = 200
output_size = 9
lambda_reg = 0.2
learning_rate = 0.01
num_epochs = 50
batch_size = 30

model = Sequential()
model.add(Dense(input_size, hidden_size, W_regularizer=l2(lambda_reg), init='normal'))
model.add(Activation('tanh'))
model.add(Dropout(0.5))

model.add(Dense(hidden_size, output_size, W_regularizer=l2(lambda_reg), init='normal'))
model.add(Activation('softmax'))

sgd = SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd)

history = History()

model.fit(features_train, labels_train, batch_size=batch_size, nb_epoch=num_epochs, show_accuracy=True, verbose=2, validation_split=0.2, callbacks=[history])
score = model.evaluate(features_train, labels_train, show_accuracy=True, verbose=1)
predictions = model.predict(features_train)
print('Test score:', score[0])
print('Test accuracy:', score[1])

features_train é de forma (1000,784), labels_train é (1000,1), e ambos são matrizes numpy. Eu quero 784 nós de entrada, 200 escondida, e 9 de saída para classificar os dígitos

Eu continuo recebendo um erro dimensão incompatibilidade de entrada:

Input dimension mis-match. (input[0].shape[1] = 9, input[1].shape[1] = 1)
Apply node that caused the error: Elemwise{Sub}[(0, 0)](AdvancedSubtensor1.0, AdvancedSubtensor1.0)
Inputs types: [TensorType(float32, matrix), TensorType(float32, matrix)]
Inputs shapes: [(30L, 9L), (30L, 1L)]
Inputs strides: [(36L, 4L), (4L, 4L)]
Inputs values: ['not shown', 'not shown']

Eu estou tentando identificar onde meus dimensões pode estar incorreto, mas eu não estou vendo isso. qualquer um pode ver o problema?

Publicado 26/08/2015 em 04:37
fonte usuário
Em outras línguas...                            


1 respostas

votos
0

Venho treinando 2 modelos de classificação classe por tanto tempo que eu estou acostumado a lidar com rótulos que são apenas valores individuais. Para este problema (classificar mais de 1 resultado) Eu apenas tive que mudar os rótulos para serem eles mesmos vetores.

Isso resolveu o meu problema:

from keras.utils.np_utils import to_categorical

labels_train = to_categorical(labels_train)
Respondeu 04/09/2015 em 01:50
fonte usuário

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more