keras - 嵌入 N 维序列后的 LSTM
问题描述
我有一个具有二维train_seq
形状的输入序列,(100000, 200, 2)
即 100000 个训练示例,序列长度为 200,以及 2 个特征。
序列是文本,因此每个元素是一个单词,词汇表为 5000 个单词。因此,我想在我的 LSTM 之前使用嵌入层。
MAX_SEQUENCE_LENGTH = 200
EMBEDDING_SIZE = 64
MAX_FEATURES = 5000
NUM_CATEGORIES = 5
model_input = Input(shape=(MAX_SEQUENCE_LENGTH,2))
x = Embedding(output_dim=EMBEDDING_SIZE, input_dim=MAX_FEATURES, input_length=(MAX_SEQUENCE_LENGTH,2))(model_input)
x_lstm = LSTM(64)(x)
x = Dense(128, activation='relu', name = 'lstm')(x_lstm)
output = Dense(NUM_CATEGORIES, activation='sigmoid')(x)
model = Model(inputs=[model_input], outputs=[output])
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
但是,我无法构建模型并收到以下错误:
ValueError: Input 0 is incompatible with layer lstm: expected ndim=3, found ndim=4
. 通过查看没有 LSTM 的模型摘要,我可以看到我的嵌入的输出形状是(None, 200, 2, 64)
Layer (type) Output Shape Param #
=================================================================
merged_input (InputLayer) (None, 200, 2) 0
_________________________________________________________________
embedding (Embedding) (None, 200, 2, 64) 196096
_________________________________________________________________
请注意,当输入序列是一维时,此架构有效。LSTM 可以接收二维序列吗?我如何告诉 LSTM 层输入的形状是(None, 200, 2, 64)
?
任何帮助,将不胜感激
解决方案
首先不要定义输入层,你不需要它。一般来说,嵌入层是这样使用的:
model = Sequential()
model.add(Embedding(MAX_FEATURES, EMBEDDING_SIZE , input_length=MAX_SEQUENCE_LENGTH ))
model.add(LSTM(64))
(...)
功能样式定义也是如此,请尝试一下。
推荐阅读
- algorithm - 定价障碍期权的随机游走算法
- react-native - 来自 react-navigation 的屏幕被推送到 React Native 的 Modal 下方
- python - 概率 - 比较 6 面骰子
- r - R - 将列转换为行标题并将该标题的存在填充为每条记录的真/假
- reactjs - 如何从 redux 动作创建者/thunk 分派多个动作
- python - Python 中的 GARCH 模型:超出迭代限制
- java - 从一天的开始以毫秒为单位的小时和分钟
- ajax - Ajax 函数调用第二次不起作用
- android - 如何使这个 Android NodeMCU TCP 套接字代码自动重新连接?
- c# - 使用 c# 将所有文件夹项添加到存档中