ข้อผิดพลาดขนาดอินพุตบนเครือข่ายหนาแน่นตามลำดับด้วย Keras

นี่เป็นคำถามที่ยาวเพราะฉันพยายามอธิบายให้มากขึ้นเท่าที่จะทำได้เพราะเป็นปัญหาที่เกิดซ้ำสำหรับฉันและฉันไม่เข้าใจจริงๆ ดังนั้นขอขอบคุณที่สละเวลาอ่านฉัน

ฉันต้องการสร้างโมเดลที่มีความหนาแน่นต่อเนื่องซึ่งใช้เป็นรายการอินพุตที่มีมิติดังนี้:

[batch_size, ข้อมูล_มิติ]

ดังนั้นฉันจึงกำหนดเครือข่ายของฉันดังนี้:

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'])

แต่เมื่อฉันใช้เครือข่ายนี้โดยมีอินพุตที่มีรูปร่างดังนี้: (1, 185) ฉันได้รับข้อผิดพลาด:

เกิดข้อผิดพลาดเมื่อตรวจสอบอินพุต: คาดว่าหนาแน่น_อินพุตจะมี 3 มิติ แต่มีอาร์เรย์ที่มีรูปร่าง (185, 1)

อย่าถามฉันว่าทำไมฉันถึงบอกว่ารูปร่างเวกเตอร์ของฉันคือ (1, 185) และในข้อความแสดงข้อผิดพลาดที่เราเห็น (185, 1) เพราะเมื่อฉันตรวจสอบรูปร่างอาร์เรย์ของฉันก่อนที่จะให้มันเป็นอินพุตในเครือข่ายของฉัน รูปร่างที่แสดงคือ (1, 185)

ตกลง ดังนั้นฉันจึงตรวจสอบบางหัวข้อแล้วพบ อันนี้ ซึ่งมีคำอธิบายว่า :

เลเยอร์หนาแน่นต้องการอินพุตเป็น (batch_size, input_size) หรือ (batch_size, ทางเลือก,..., ทางเลือก, input_size)

นั่นคือสิ่งที่ฉันทำใช่ไหม? แต่ฉันก็เห็นว่า:

รูปร่างใน Keras:

...

ดังนั้น แม้ว่าคุณจะใช้ input_shape=(50,50,3) เมื่อ keras ส่งข้อความถึงคุณ หรือเมื่อคุณพิมพ์สรุปโมเดล มันก็จะแสดง (ไม่มี,50,50,3)

...

ดังนั้น เมื่อกำหนดรูปร่างอินพุต คุณจะมองข้ามขนาดแบตช์: input_shape=(50,50,3)

ตกลง ! มาลองตอนนี้ฉันกำหนดเลเยอร์อินพุตของฉันดังนี้:

ModelDense.add(Dense(380, input_shape=(185,), activation='elu', kernel_initializer='glorot_normal'))

เมื่อฉันทำ model.summary() :

_________________________________________________________________ ชั้น (ชนิด) พารามิเตอร์รูปร่างเอาท์พุต # ========================================= ======================== หนาแน่น (หนาแน่น) (ไม่มี, 380) 70680 _________________________________________________________________ หนาแน่น_1 (หนาแน่น) (ไม่มี, 380) 144780 _________________________________________________________________ หนาแน่น_2 (หนาแน่น) (ไม่มี, 380) 144780 _________________________________________________________________ หนาแน่น_3 (หนาแน่น) (ไม่มี, 7) 2667 ================================ ================================ พารามิเตอร์ทั้งหมด: 362,907 พารามิเตอร์ที่ฝึกได้: 362,907 พารามิเตอร์ที่ไม่สามารถฝึกได้: 0

---

โอเค ฉันคิดว่านั่นคือสิ่งที่ฉันต้องการ แต่เมื่อฉันให้อาร์เรย์ THE SAME เป็นอินพุต ตอนนี้ฉันได้รับข้อผิดพลาด:

ValueError: เกิดข้อผิดพลาดเมื่อตรวจสอบอินพุต: คาดว่าหนาแน่น_อินพุตจะมีรูปร่าง (185,) แต่มีอาร์เรย์ที่มีรูปร่าง (1,)

ฉันสับสน ฉันเข้าใจผิดอะไร

_________แก้ไข__________ :

ฟังก์ชั่นการทำนาย:

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

บรรทัดที่ฉันใช้ฟังก์ชันของฉัน:

Qs, action, flag_alea = predict(Dense_model, [state], ACTION_SIZE, Epsilon)

ผลลัพธ์ที่แน่นอนของการพิมพ์ 'DEBUG' ของฉัน:

[[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)

_________แก้ไข2__________ :

การติดตามข้อผิดพลาด:

ไฟล์ ".!Qltrain.py", บรรทัด 360, ใน Qs, การกระทำ, flag_alea = ทำนาย (Dense_model, [state], ACTION_SIZE, Epsilon) ไฟล์ ".\Lib\Core.py", บรรทัด 336, ในการทำนายเอาต์พุต =หนาแน่น_model .predict(state) ไฟล์ "C:\Users\Odeven\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\keras\engine\training.py", บรรทัด 1,096, ในการทำนาย x, check_steps=True, step_name='steps', step=steps) ไฟล์ "C:\Users\Odeven\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\keras\engine\training.py ", บรรทัด 2382 ใน _standardize_user_dataข้อยกเว้น_prefix='input') ไฟล์ "C:\Users\Odeven\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\keras\engine\training_utils.py" บรรทัด 362 ใน standardize_input_data ' แต่มีอาร์เรย์ที่มีรูปร่าง ' + str (data_shape)) ValueError: เกิดข้อผิดพลาดเมื่อตรวจสอบอินพุต: คาดว่าหนาแน่น_input จะมีรูปร่าง (185,) แต่มีอาร์เรย์ที่มีรูปร่าง (1,)

หากคุณตรวจสอบ 3 บรรทัดแรก คุณจะเห็นว่ารหัสที่ข้อผิดพลาดเกิดขึ้นคือรหัสที่ฉันเพิ่มในการแก้ไขครั้งแรก

_______ตัวอย่างที่ชัดเจน_______

เนื้อหาของ 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)

เอาท์พุทที่สมบูรณ์:

เปลี่ยนสิ่งนี้: