时间戳

首页 > 解决方案 > 如何获取 Keras 模型的运行时批量大小

keras - 如何获取 Keras 模型的运行时批量大小

问题描述

基于这篇文章。我需要一些基本的实施帮助。下面你会看到我的模型使用了 Dropout 层。使用noise_shape 参数时，碰巧最后一批不适合批量大小，从而产生错误（参见其他帖子）。

原始型号：

def LSTM_model(X_train,Y_train,dropout,hidden_units,MaskWert,batchsize):
   model = Sequential()
   model.add(Masking(mask_value=MaskWert, input_shape=(X_train.shape[1],X_train.shape[2]) ))
   model.add(Dropout(dropout, noise_shape=(batchsize, 1, X_train.shape[2]) ))   
   model.add(Dense(hidden_units, activation='sigmoid', kernel_constraint=max_norm(max_value=4.) ))   
   model.add(LSTM(hidden_units, return_sequences=True, dropout=dropout, recurrent_dropout=dropout))

现在 Alexandre Passos 建议使用tf.shape获取运行时的批量大小。我尝试以不同的方式将运行时批量大小的想法实现到 Keras 中，但从未奏效。

   import Keras.backend as K

   def backend_shape(x):
       return K.shape(x)

   def LSTM_model(X_train,Y_train,dropout,hidden_units,MaskWert,batchsize):    
       batchsize=backend_shape(X_train)
       model = Sequential()
       ...
       model.add(Dropout(dropout, noise_shape=(batchsize[0], 1, X_train.shape[2]) )) 
       ...

但这只是给了我输入张量形状，而不是运行时输入张量形状。

我也尝试使用 Lambda 层

def output_of_lambda(input_shape):
   return (input_shape)

def LSTM_model_2(X_train,Y_train,dropout,hidden_units,MaskWert,batchsize):       
   model = Sequential()
   model.add(Lambda(output_of_lambda, outputshape=output_of_lambda))
   ...
   model.add(Dropout(dropout, noise_shape=(outputshape[0], 1, X_train.shape[2]) ))

以及不同的变体。但正如您已经猜到的那样，这根本不起作用。模型定义实际上是正确的地方吗？您能否给我一个提示或更好地告诉我如何获得 Keras 模型的运行批量大小？非常感谢。

标签： kerasruntimelayer

解决方案

当前的实现确实会根据运行时批量大小进行调整。从Dropout层实现代码：

symbolic_shape = K.shape(inputs)
noise_shape = [symbolic_shape[axis] if shape is None else shape
               for axis, shape in enumerate(self.noise_shape)]

因此，如果您noise_shape=(None, 1, features)按照上面的代码给出形状将是 (runtime_batchsize, 1, features)。

推荐阅读