python - Tensorflow2 形状不匹配警告,仍在训练中
问题描述
我正在尝试使用 Keras/TF2.3.0 进行多标签分类,其中我有 50 个特征并在五个类别之间进行分类。我收到以下警告,尽管模型仍在训练,这让我感到困惑。
>>> model.fit(train_dataset, epochs=5, validation_data=val_dataset)
Epoch 1/5 WARNING:tensorflow:Model 是用形状 (128, 1, 50) 构造的输入 Tensor("input_1:0", shape=(128, 1, 50), dtype=float32),但它被调用了形状不兼容的输入(无,50)。
WARNING:tensorflow:Model 是用形状 (128, 1, 50) 构造的输入 Tensor("input_1:0", shape=(128, 1, 50), dtype=float32),但它是在不兼容的输入上调用的形状(无,50)。
1/5 [.......................] - ETA:0s - 损失:0.6996WARNING:tensorflow:模型已构建输入 Tensor("input_1:0", shape=(128, 1, 50), dtype=float32) 的形状为 (128, 1, 50),但在形状不兼容的输入 (None, 50) 上调用了它。59/59 [==============================] - 0s 2ms/步 - 损失:0.6941 - val_loss:0.6935
纪元 2/5 59/59 [===============================]...
下面是我的完整代码,其中包含用于重现错误的随机数据。我在弄乱我的 NN 架构(或者我的dfs_to_tfds
函数?)以接受具有分布在 TF 中的类之间的num_vars
特征和输出值的输入记录?num_classes
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from tensorflow.keras.layers import Input, Dense, Flatten, Conv1D, AveragePooling1D
from tensorflow.keras.models import Model
import tensorflow as tf
# setup example input data and labels
num_rows = 10_000
num_vars = 50
num_classes = 5
data = np.random.rand(num_rows, num_vars)
labels = np.random.rand(num_rows, num_classes)
# convert input data to TF.data datasets
bs=128
def dfs_to_tfds(features, targets, bs):
return tf.data.Dataset.from_tensor_slices((features, targets)).batch(bs)
X_train, X_val, y_train, y_val = train_test_split(data, labels)
train_dataset = dfs_to_tfds(X_train, y_train, bs)
val_dataset = dfs_to_tfds(X_val, y_val, bs)
# setup model
inputs = Input(shape = (1, num_vars), batch_size=bs)
h = Dense(units=32, activation='relu')(inputs)
h = Dense(units=32, activation='relu')(h)
h = Dense(units=32, activation='relu')(h)
outputs = Dense(units=num_classes, activation='sigmoid')(h)
model = Model(inputs=inputs, outputs=outputs)
model.compile(optimizer='rmsprop',
loss=['binary_crossentropy'], #tf.keras.losses.MSLE
metrics=None,
loss_weights=None,
run_eagerly=None)
# train model
model.fit(train_dataset, epochs=5, validation_data=val_dataset)
解决方案
利用
inputs = Input(shape=num_vars)
并在拟合模型时指定批量大小:
model.fit(train_dataset, epochs=5, validation_data=val_dataset, batch_size=bs)
您的数据不是在子批次中预先组织的,因此您不必与输入形状一起指定它,而是在拟合时指定它。因此,model.fitbatch_size
在拟合模型时会自动从您的输入数据中提取批次
推荐阅读
- javascript - 数组中的项目神秘消失
- laravel - 根据 Laravel 中同一数据透视表中的另一列从数据透视表中获取所有值
- mysql - 在 MYSQL 中编写 WHILE 循环的正确语法
- asp.net-core - 为什么 RenderPage 无法识别?
- c# - 绘制的线一直被删除或替换
- ios - 如何使用多种功能填充搜索栏和表格视图
- java - 如何使中心 MaterialAlertDialogBuilder 对齐标题、消息和按钮
- python-3.x - 从多进程调用的子进程未完成
- azure-cosmosdb - Azure Cosmos DB 查询
- python - pyparsing 可选元素导致 asDict 方法的值错误