如何正确组织 Tensorflow 模型层？

Question

世界您好！我们正在编写自己的 AI，并且努力创建正确的模型层。我们必须在我们的神经网络中输入的是一个list包含 nlists和 mtuplese.x. list = numpy.array([ [[1,2,4],[5,6,8]] , [[5,6,0],[7,2,4]] ])我们期望得到的结果是 0 或 1（相信我，这是有道理的）这就是我们现在所拥有的：tpl = 3 # because we have tuplesnl = 2 # number of lists we havemodel = tf.keras.Sequential([# this should be entry layer that understands our list            tf.keras.layers.Dense(nl * tpl , input_shape=(nl, tpl), activation='relu'),#hidden layers..            tf.keras.layers.Dense(64, input_shape=(nl, tpl), activation='sigmoid'),#our output layer with 2 nodes that one should contain 0, other 1, because we have 2 labels ( 0 and 1 )            tf.keras.layers.Dense(2, input_shape=(0, 1), activation='softmax')        ])但是我们得到以下错误：/usr/local/lib/python3.6/dist-packages/tensorflow/python/eager/execute.py in quick_execute(op_name, num_outputs, inputs, attrs, ctx, name)     58     ctx.ensure_initialized()     59     tensors = pywrap_tfe.TFE_Py_Execute(ctx._handle, device_name, op_name,---> 60                                         inputs, attrs, num_outputs)     61   except core._NotOkStatusException as e:     62     if name is not None:InvalidArgumentError:  Incompatible shapes: [56,2,2] vs. [56,1]     [[node huber_loss/Sub (defined at <ipython-input-25-08eb2e0b395e>:53) ]] [Op:__inference_train_function_45699]Function call stack:train_function如果我们总结我们的模型，它会给出以下结构：Layer (type)                 Output Shape              Param #   =================================================================dense_1 (Dense)             (None, 2, 6)              24        _________________________________________________________________dense_2 (Dense)             (None, 2, 64)             448       _________________________________________________________________dense_3 (Dense)             (None, 2, 2)              130       =================================================================最后，我们了解到，我们提供的数据与最后一层不兼容，那么我们如何将最后一层转换为 => shape (None, 2)或者解决此错误的正确方法是什么？

Answer 1

您可以在输出层之前使用Flatten()或。GlobalAveragePooling1D完整示例：

import numpy

import tensorflow as tf

list = numpy.array([[[1., 2., 4.], [5., 6., 8.]], [[5., 6., 0.], [7., 2., 4.]]])

tpl = 3  

nl = 2   

model = tf.keras.Sequential([

    tf.keras.layers.Dense(nl * tpl, input_shape=(nl, tpl), activation='relu'),

    tf.keras.layers.Dense(64, input_shape=(nl, tpl), activation='sigmoid'),

    tf.keras.layers.GlobalAveragePooling1D(),

    tf.keras.layers.Dense(2, input_shape=(0, 1), activation='softmax')

])

model.build(input_shape=(nl, tpl))

model(list)

<tf.Tensor: shape=(2, 2), dtype=float32, numpy=

array([[0.41599566, 0.58400434],

       [0.41397247, 0.58602756]], dtype=float32)>

你不会只得到 0 和 1，你会得到每个班级的概率。你也应该隐藏内置关键字list。

Model: "sequential_4"

_________________________________________________________________

Layer (type)                 Output Shape              Param #   

=================================================================

dense_12 (Dense)             (None, 2, 6)              24        

_________________________________________________________________

dense_13 (Dense)             (None, 2, 64)             448       

_________________________________________________________________

global_average_pooling1d (Gl (None, 64)                0         

_________________________________________________________________

dense_14 (Dense)             (None, 2)                 130       

=================================================================

Total params: 602

Trainable params: 602

Non-trainable params: 0

_________________________________________________________________