Je suis en train de construire un perceptron multicouche très simple (MLP) dans keras
:Python: Erreur keras de non-concordance de forme
model = Sequential()
model.add(Dense(16, 8, init='uniform', activation='tanh'))
model.add(Dropout(0.5))
model.add(Dense(8, 2, init='uniform', activation='tanh'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd)
model.fit(X_train, y_train, nb_epoch=1000, batch_size=50)
score = model.evaluate(X_test, y_test, batch_size=50)
Ma forme de données de formation: X_train.shape
donne (34180, 16)
Les étiquettes appartiennent à la classe binaire avec la forme: y_train.shape
donne (34180,)
donc mon code keras
devrait produire le réseau avec connexion suivante: 16x8 => 8x2
qui produit l'erreur de non-concordance de forme:
ValueError: Input dimension mis-match. (input[0].shape[1] = 2, input[1].shape[1] = 1)
Apply node that caused the error: Elemwise{sub,no_inplace}(Elemwise{Composite{tanh((i0 + i1))}}[(0, 0)].0, <TensorType(float64, matrix)>)
Inputs types: [TensorType(float64, matrix), TensorType(float64, matrix)]
Inputs shapes: [(50, 2), (50, 1)]
Inputs strides: [(16, 8), (8, 8)]
A Epoch 0
à la ligne model.fit(X_train, y_train, nb_epoch=1000, batch_size=50)
. Est-ce que je supervise quelque chose d'évident à Keras?
EDIT: Je suis passé par la question here mais ne résout pas mon problème
Une autre option, qui vous aidera à "unmap" vos vecteurs one-hot, est d'utiliser 'sklearn.preprocessing.LabelBinarizer'. http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelBinarizer.html – hlin117