时间戳

首页 > 解决方案 > 为 Keras 顺序模型格式化 networkx 数据

python - 为 Keras 顺序模型格式化 networkx 数据

问题描述

我正在尝试根据为它们着色所需的最少颜色为图形构建一个分类器。我正在使用 networkx 库来生成图形并评估正确着色所需的最少颜色数。这是数据生成：

nodes=10
numGraphs=1000
probability= .25
graphs=np.empty(numGraphs, dtype=dict)
colorings=np.empty(numGraphs, dtype=dict)
numColors=np.zeros(numGraphs)

#Producing array of random graphs 
for i in range(numGraphs):
    graphs[i]=nx.erdos_renyi_graph(nodes,p)


#Coloring the array of graphs
for i in range(numGraphs):
    colorings[i]=nx.coloring.greedy_color(graphs[i], strategy="largest_first")



#Storing the minimum colors needed for each graph and the largest color needed from all graphs
#The numColors is the desired output of the network for each graph.
for i in range(len(colorings)):
    numColors[i]=max(colorings[i].values())+1
    
maxColor=max(numColors)

#Converting graphs from dicts to flattened arrays which are nodes^2 long, This is the input data
for i in range(numGraphs):
    graphs[i]=nx.to_numpy_array(graphs[i])
    graphs[i]=graphs[i].flatten()

拆分数据和模型：

x_train, x_test, y_train, y_test = train_test_split (graphs, numColors, test_size = 0.2)

model = Sequential()
model.add(Dense(nodes, input_shape=(800,), activation='relu', name="input"))
model.add(Dense(100,activation='sigmoid',name="layer2"))
model.add(Dense(100, activation='relu', name="layer3"))
model.add(Dense(int(maxColor), activation='softmax', name="ouput"))
model.summary()

Model: "sequential_17"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input (Dense)                (None, 10)                8010      
_________________________________________________________________
layer2 (Dense)               (None, 100)               1100      
_________________________________________________________________
layer3 (Dense)               (None, 100)               10100     
_________________________________________________________________
ouput (Dense)                (None, 10)                1010      
=================================================================
Total params: 20,220
Trainable params: 20,220
Non-trainable params: 0
_________________________________________________________________

该模型应该接收一个长度为 2 个节点的数组，并将其分类为“maxColor”个类中的一个。在这种情况下，maxColor=10 并且 x_train 是一个由 800 个数组组成的数组，其中填充了 100 个 0 和 1。然后我认为输入形状应该是 x_train 的形状，因此是 input_shape(800,0)。但是，当我尝试编译和拟合模型时：

model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
model.fit(x_train,y_train, epochs=200, batch_size=15)

我收到以下错误：“ValueError：检查输入时出错：预期 input_input 的形状为 (800,) 但数组的形状为 (1,)”

我还尝试重塑 x_train: x_train = np.reshape(x_train, (1, x_train.shape[0]))

但目标值出现错误：“ValueError：检查目标时出错：预期输出具有形状 (10,) 但得到的数组形状为 (1,)”

标签： pythonkerasneural-networknetworkx

解决方案

你在维度上犯了一个错误。如果您的输入是 800 个 100s 0 和 1 的数组，那么您输入的维度应该是 800,100 。你应该让你的模型输入形状等于 100 在这里model.add(Dense(nodes, input_shape=(100), activation='relu', name="input"))

也不要重塑这个x_train = np.reshape(x_train, (1, x_train.shape[0])) 你需要像这样重塑x_train = np.reshape(x_train, (-1, x_train.shape[1]))

确保最后一个维度是 100，就像现在的模型一样。

推荐阅读