tensorflow RNN中如何正确处理one-hot-encoding和多维数据
How to correctly deal with one-hot-encoding and multi-dimensional data in tensorflow RNN
我正在创建一个二元分类器来分类字母序列，例如 'BA'。
每个序列由编码为单热向量的 2 个字母组成。例如，序列 'BA' 是 [[0, 1, 0, 0], [1, 0, 0, 0]]。
（我的原始代码中的序列较长，但我想让我的问题保持简单）
我是机器学习的新手，我以前做过一些事情，但只使用了平面输入。我正在努力了解如何将多维输入传递到我的网络中。我需要以某种方式将其压平吗？
我在这里创建了一个最小可重现的示例 - https://www.dropbox.com/s/dhg3huw6bh7dfjd/Example.py?dl=0，Sequences 仅包含 3 个训练数据示例以保持简单。我只需要帮助解决如何将 3d 输入传递到我的模型中。
在我提供的代码中，整个数据集如下：
Sequences = [ [[0, 1, 0, 0], [1, 0, 0, 0]] , [[0, 1, 0, 0], [1, 0, 0, 0]] , [[0, 0, 0, 1], [0, 1, 0, 0]] ]
这是一个二元分类器，这些序列的目标是：
Targets = [1.0, 1.0, 0.0]
如果你运行我提供的代码你应该得到这个错误：
ValueError: Input 0 of layer lstm is incompatible with the layer: expected ndim=3, found ndim=4. Full shape received: [None, 2, 2, 4]
如果有人可以帮助弄清楚如何将序列正确传递到我的网络中，那就太好了。谢谢:)
这一行是罪魁祸首。 LSTM 需要 3 维输入。在您的情况下，您正在尝试传递一个 4 维输入（请记住，Keras 向输入形状添加了一个额外的批处理维度）。因此，去掉第一个 2 将解决您的问题。
model.add(LSTM(128,
input_shape=(2, 2, 4), return_sequences=True))
只需将其更改为，
model.add(LSTM(128,
input_shape=(2, 4), return_sequences=True))
我正在创建一个二元分类器来分类字母序列，例如 'BA'。
每个序列由编码为单热向量的 2 个字母组成。例如，序列 'BA' 是 [[0, 1, 0, 0], [1, 0, 0, 0]]。
（我的原始代码中的序列较长，但我想让我的问题保持简单）
我是机器学习的新手，我以前做过一些事情，但只使用了平面输入。我正在努力了解如何将多维输入传递到我的网络中。我需要以某种方式将其压平吗？
我在这里创建了一个最小可重现的示例 - https://www.dropbox.com/s/dhg3huw6bh7dfjd/Example.py?dl=0，Sequences 仅包含 3 个训练数据示例以保持简单。我只需要帮助解决如何将 3d 输入传递到我的模型中。
在我提供的代码中，整个数据集如下：
Sequences = [ [[0, 1, 0, 0], [1, 0, 0, 0]] , [[0, 1, 0, 0], [1, 0, 0, 0]] , [[0, 0, 0, 1], [0, 1, 0, 0]] ]
这是一个二元分类器，这些序列的目标是：
Targets = [1.0, 1.0, 0.0]
如果你运行我提供的代码你应该得到这个错误：
ValueError: Input 0 of layer lstm is incompatible with the layer: expected ndim=3, found ndim=4. Full shape received: [None, 2, 2, 4]
如果有人可以帮助弄清楚如何将序列正确传递到我的网络中，那就太好了。谢谢:)
这一行是罪魁祸首。 LSTM 需要 3 维输入。在您的情况下，您正在尝试传递一个 4 维输入（请记住，Keras 向输入形状添加了一个额外的批处理维度）。因此，去掉第一个 2 将解决您的问题。
model.add(LSTM(128,
input_shape=(2, 2, 4), return_sequences=True))
只需将其更改为，
model.add(LSTM(128,
input_shape=(2, 4), return_sequences=True))