Это длинный вопрос, потому что я пытаюсь объяснить свою проблему, потому что это повторяющаяся проблема для меня, и я действительно не понимаю, поэтому спасибо, что нашли время, чтобы прочитать меня
Я хочу создать последовательную плотную модель, которая принимает в качестве входного списка такой размер:
[размер_пакета, размер_данных]
Итак, я определил свою сеть так:
ModelDense = Sequential()
ModelDense.add(Dense(380, input_shape=(None,185), activation='elu', kernel_initializer='glorot_normal'))
ModelDense.add(Dense(380, activation='elu', kernel_initializer='glorot_normal'))
ModelDense.add(Dense(380, activation='elu', kernel_initializer='glorot_normal'))
ModelDense.add(Dense(7, activation='elu', kernel_initializer='glorot_normal'))
optimizer = tf.keras.optimizers.Adam(lr=0.00025)
ModelDense.compile(loss='mean_squared_error', optimizer=optimizer, metrics=['accuracy'])
но когда я использую эту сеть с вводом такой формы: (1, 185), я получил ошибку:
Ошибка при проверке ввода: ожидалось, что плотный_ввод будет иметь 3 измерения, но получил массив с формой (185, 1)
Не спрашивайте меня, почему я сказал, что моя векторная фигура (1, 185), а в сообщении об ошибке мы видим (185, 1), потому что, когда я проверяю свою форму массива непосредственно перед тем, как передать ее в качестве входных данных в мою сеть, показана форма (1, 185)
Хорошо, поэтому я проверил несколько тем и нашел эту, в котором поясняется, что:
Для плотных слоев требуются входные данные как (batch_size, input_size) или (batch_size, optional, ..., optional, input_size)
Так вот что я сделал, не так ли? Но я также видел это:
Формы в Керасе:
...
Итак, даже если вы использовали input_shape = (50,50,3), когда keras отправляет вам сообщения или когда вы распечатываете сводку модели, она будет отображать (None, 50,50,3)
...
Итак, при определении формы ввода вы игнорируете размер пакета: input_shape = (50,50,3)
Ok ! давайте попробуем, теперь я определил свой входной слой следующим образом:
ModelDense.add(Dense(380, input_shape=(185,), activation='elu', kernel_initializer='glorot_normal'))
Когда я делаю model.summary ():
_________________________________________________________________ Layer (type) Output Shape Param # =========================================== ======================== плотный (плотный) (нет, 380) 70680 _________________________________________________________________ плотный_1 (плотный) (нет, 380) 144780 _________________________________________________________________ плотный_2 (плотный) (Нет, 380) 144780 _________________________________________________________________ плотный_3 (Плотный) (Нет, 7) 2667 =================================== ================================ Всего параметров: 362 907 обучаемых параметров: 362 907 Не обучаемых параметров: 0
Хорошо, я думаю, что это то, что я хочу, но когда я даю массив ТО ЖЕ в качестве ввода, я получаю сообщение об ошибке:
ValueError: Ошибка при проверке ввода: ожидалось, что density_input будет иметь форму (185,), но получил массив с формой (1,)
Я в замешательстве, что я не понимаю?
_________EDIT__________:
Функция прогноза:
def predict(dense_model, state, action_size, epsilon):
alea = np.random.rand()
# DEBUG
print(state)
print(np.array(state).shape)
output = dense_model.predict(state)
if (epsilon > alea):
action = random.randint(1, action_size) - 1
flag_alea = True
else:
action = np.argmax(output)
flag_alea = False
return output, action, flag_alea
Строка, в которой я использую свою функцию:
Qs, action, flag_alea = predict(Dense_model, [state], ACTION_SIZE, Epsilon)
Точный результат моей печати DEBUG:
[[0.0, 0.0, 0.0, 0.12410027302060064, 0.0, 0.0, 0.0, 0.0, 0.0, 0.18851780241253108, 0.0, 0.0, 0.2863141820958198, 0.0, 0.07328154770628756, 0.418848167539267, 0.07328154770628756, 0.2094240837696335, 0.42857142857142855, 0.0, 0.12410027302060064, 0.0, 0.0, 0.0, 0.0, 0.263306220774655, 0.14740566037735847, 0.40346984062941293, 0.675310642895732, 0.0, 0.0, 0.0, 0.0, 0.07328154770628756, 0.0, 0.4396892862377253, 0.0, 0.42857142857142855, 0.0, 0.12410027302060064, 0.08759635599159075, 0.0, 0.1401927621025243, 0.6755559204272007, 0.0, 0.0, 0.11564568886156315, 0.4051863857374392, 0.0, 0.0, 0.19087612139721322, 0.0, 0.07328154770628756, 0.6282722513089005, 0.14656309541257512, 0.10471204188481675, 0.42857142857142855, 0.0, 0.12410027302060064, 0.0, 0.0, 0.0, 0.0, 0.0974621385076755, 0.0, 0.0, 0.675310642895732, 0.0, 0.0, 0.0, 0.09543806069860661, 0.07328154770628756, 0.10471204188481675, 0.5129708339440129, 0.5233396901920598, 0.42857142857142855, 0.0, 0.0, 0.0, 0.0, 0.5528187746700128, 0.6755564266434103, 0.0, 0.0, 0.10086746015735323, 0.1350621285791464, 0.0, 0.0, 0.0, 0.0, 0.14891426591693724, 0.5166404112353377, 0.14656309541257512, 0.10471204188481675, 0.42857142857142855, 0.00846344605088234, 0.012550643645226955, 0.0, 0.0, 0.004527776502072811, 0.0, 0.001294999849051237, 0.019391579553484917, 0.02999694086611271, 0.0026073455810546875, 0.0, 0.0, 0.016546493396162987, 0.024497902020812035, 0.00018889713101089, 0.0, 0.005568447522819042, 0.0, 0.007975691929459572, 0.01434263214468956, 0.0, 6.733229383826256e-05, 0.0012099052546545863, 0.0, 0.0001209513284265995, 0.01868056133389473, 0.025530844926834106, 0.004079729784280062, 0.0, 0.0, 0.01332627609372139, 0.026645798236131668, 0.0, 0.0, 0.007684763520956039, 0.0, 0.010554256848990917, 0.007236589677631855, 0.0013368092477321625, 0.000697580398991704, 0.00213554291985929, 0.0, 0.0021772112231701612, 0.012761476449668407, 0.015171871520578861, 0.001512336079031229, 0.0, 0.0, 0.008273545652627945, 0.01777557097375393, 0.006600575987249613, 0.0, 0.007174563594162464, 0.0, 0.004660750739276409, 0.009024208411574364, 0.0, 0.0014235835988074541, 0.0, 0.0, 0.0, 0.008785379119217396, 0.010602384805679321, 0.0024691042490303516, 0.0, 0.0, 0.003091508522629738, 0.0120345214381814, 0.003123666625469923, 0.0, 0.005664713680744171, 0.0, 0.004825159907341003, 0.0034197410568594933, 0.0030767947901040316, 0.004110954236239195, 0.0, 0.0, 0.001896441332064569, 0.002400417113676667, 0.0012791997287422419, 0.0, 0.0, 0.0, 0.0021027529146522284, 0.006922871805727482, 0.004868669901043177, 0.0, 7.310241926461458e-05, 0.0]]
(1, 185)
_________EDIT2__________:
Отслеживание ошибок:
Файл ".! Qltrain.py", строка 360, в Qs, action, flag_alea = прогноз (Dense_model, [состояние], ACTION_SIZE, Epsilon) Файл ". \ Lib \ Core.py", строка 336, в прогнозе output = density_model .predict (состояние) Файл "C: \ Users \ Odeven \ AppData \ Local \ Programs \ Python \ Python37 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ training.py", строка 1096, в прогнозе x, check_steps = True, steps_name = 'steps', steps = steps) Файл "C: \ Users \ Odeven \ AppData \ Local \ Programs \ Python \ Python37 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ training.py ", строка 2382, в _standardize_user_data exception_prefix = 'input') Файл" C: \ Users \ Odeven \ AppData \ Local \ Programs \ Python \ Python37 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ training_utils.py " , строка 362, в standardize_input_data ', но получил массив с формой' + str (data_shape)) ValueError: Ошибка при проверке ввода: ожидалось, что density_input будет иметь форму (185,), но получил массив с формой (1,)
Если вы проверите первые 3 строки, вы увидите, что код, из которого исходит erorr, - это код, который я добавил в свое первое редактирование.
_______ самодостаточный пример _______
Содержание test.py:
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import random
import numpy as np
ModelDense = Sequential()
ModelDense.add(Dense(380, input_shape=(185,), activation='elu', kernel_initializer='glorot_normal'))
ModelDense.add(Dense(380, activation='elu', kernel_initializer='glorot_normal'))
ModelDense.add(Dense(380, activation='elu', kernel_initializer='glorot_normal'))
ModelDense.add(Dense(7, activation='elu', kernel_initializer='glorot_normal'))
optimizer = tf.keras.optimizers.Adam(lr=0.00025)
ModelDense.compile(loss='mean_squared_error', optimizer=optimizer, metrics=['accuracy'])
ModelDense.summary()
def predict(dense_model, state, action_size, epsilon):
alea = np.random.rand()
print(state)
print(np.array(state).shape)
dense_model.summary()
output = dense_model.predict(state)
if (epsilon > alea):
action = random.randint(1, action_size) - 1
flag_alea = True
else:
action = np.argmax(output)
flag_alea = False
return output, action, flag_alea
state = []
state.append([np.random.rand()] * 185)
output, ac, flag = predict(ModelDense, state, 7, 0.0)
print(output)
Полный вывод:
Измените это: