web-dev-qa-db-fra.com

Erreur lors de la vérification de l'entrée de modèle: lstm_1_input devrait avoir 3 dimensions, mais un tableau avec une forme (339732, 29)

Mon entrée est simplement un fichier csv avec 339732 lignes et deux colonnes:

  • le premier étant 29 valeurs de caractéristique, c'est-à-dire X
  • la seconde étant une valeur d'étiquette binaire, c'est-à-dire Y

J'essaie de former mes données sur un modèle LSTM empilé:

data_dim = 29
timesteps = 8
num_classes = 2

model = Sequential()
model.add(LSTM(30, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30, return_sequences=True))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30))  # return a single vector of dimension 30
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.summary()
model.fit(X_train, y_train, batch_size = 400, epochs = 20, verbose = 1)

Cela jette l'erreur:

Traceback (appel le plus récent en dernier): Fichier "first_approach.py", ligne 80, dans model.fit (X_train, y_train, batch_size = 400, epochs = 20, verbose = 1)

ValueError: erreur lors de la vérification de l'entrée du modèle: lstm_1_input devrait avoir 3 dimensions, mais un tableau avec une forme (339732, 29)

J'ai essayé de remodeler mon entrée en utilisant X_train.reshape((1,339732, 29)) mais cela n'a pas fonctionné en affichant l'erreur:

ValueError: erreur lors de la vérification de l'entrée du modèle: lstm_1_input devrait avoir une forme (Aucune, 8, 29) mais un tableau avec une forme (1, 339732, 29)

Comment puis-je alimenter mon entrée dans le LSTM?

pythonkeraslstmrecurrent-neural-networkvalueerror
20
Saurav--

Réglage timesteps = 1 (depuis, je veux un pas de temps pour chaque instance) et reformer le X_train et le X_test en tant que:

import numpy as np
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

Cela a fonctionné!

22
Saurav--

Pour timesteps != 1, vous pouvez utiliser la fonction ci-dessous (adapté de here )

import numpy as np
def create_dataset(dataset, look_back=1):
  dataX, dataY = [], []
  for i in range(len(dataset)-look_back+1):
    a = dataset[i:(i+look_back), :]
    dataX.append(a)
    dataY.append(dataset[i + look_back - 1, :])
  return np.array(dataX), np.array(dataY)

Exemples

X = np.reshape(range(30),(3,10)).transpose()
array([[ 0, 10, 20],
       [ 1, 11, 21],
       [ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]])

create_dataset(X, look_back=1 )
(array([[[ 0, 10, 20]],
       [[ 1, 11, 21]],
       [[ 2, 12, 22]],
       [[ 3, 13, 23]],
       [[ 4, 14, 24]],
       [[ 5, 15, 25]],
       [[ 6, 16, 26]],
       [[ 7, 17, 27]],
       [[ 8, 18, 28]],
       [[ 9, 19, 29]]]),
array([[ 0, 10, 20],
       [ 1, 11, 21],
       [ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]]))

create_dataset(X, look_back=3)
(array([[[ 0, 10, 20],
        [ 1, 11, 21],
        [ 2, 12, 22]],
       [[ 1, 11, 21],
        [ 2, 12, 22],
        [ 3, 13, 23]],
       [[ 2, 12, 22],
        [ 3, 13, 23],
        [ 4, 14, 24]],
       [[ 3, 13, 23],
        [ 4, 14, 24],
        [ 5, 15, 25]],
       [[ 4, 14, 24],
        [ 5, 15, 25],
        [ 6, 16, 26]],
       [[ 5, 15, 25],
        [ 6, 16, 26],
        [ 7, 17, 27]],
       [[ 6, 16, 26],
        [ 7, 17, 27],
        [ 8, 18, 28]],
       [[ 7, 17, 27],
        [ 8, 18, 28],
        [ 9, 19, 29]]]),
array([[ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]]))
4
shadi

Remodeler l'entrée pour LSTM:

X = array([[10, 20, 30], [40, 50, 60], [70, 80, 90]])
X_train = X.reshape(1, 3, 3) # X.reshape(samples, timesteps, features)
3
Ashok Kumar Jayaraman