标签数据的Keras无效参数

Question

尝试用一个LSTM层对keras网络进行时间序列数据分类，会返回以下错误：

Invalid argument: Specified a list with shape [1239,1] from a tensor with shape [310,1]

下面是代码的一部分：

trainset = trainset.reshape(1239, 600, 1)
testset = testset.reshape(310, 600, 1)

trainlabels = np.arange(0, len(trainset_idx), 1).reshape(1239, 1)
testlabels = np.arange(0, len(testset_idx), 1).reshape(310, 1)

model = Sequential()
model.add(LSTM(units=1239, activation='relu', batch_input_shape=(1239, 600, 1),
              stateful=False, return_sequences=False))

model.compile(loss='sparse_categorical_crossentropy', 
              optimizer='adam', metrics=['accuracy'])

print(model.summary())
model.fit(trainset, trainlabels, validation_data=(testset, testlabels), 
          epochs=5, batch_size=1239)

scores = model.evaluate(testset, testlabels, verbose=0)
print("Accuracy: %.2f%%" % (scores[1]*100))

数据基本上是光谱，所有数据点的间隔都是均匀的，每个样本包含600个数据点。

是否有人在此之前遇到过此错误，或曾否告知问题可能是什么？

Answer 1

问题可能是您指定了batch_input_shape，这会导致模型在通过只有310个条目的测试集时发出抱怨。只要换一条线，

model.add(LSTM(units=1239, activation='relu', batch_input_shape=(1239, 600, 1),
              stateful=False, return_sequences=False))

至

model.add(LSTM(units=1239, activation='relu', input_shape=(600, 1),
              stateful=False, return_sequences=False))

这样就可以消除错误。但我对你的做法有些怀疑。例如，您正在使用LSTM的输出作为分类层。这是非常不正统的。你应该考虑在上面使用密集的一层。

其他几件事。你的模型在计算上很饥渴。

• 您正在使用1239的批处理大小来拟合模型，这就是训练大小的大小。相反，您应该尝试一个较小的批处理大小。
• 您的LSTM有1239个单元。即使是我在生产中看到的最复杂的模型，也只使用了几百个单元。因此，正如我前面所解释的，应该考虑使用具有1239个输出的密集层(如果这是类的数量)，并减少LSTM.

的大小。