Início / coding / Perguntas / 77779141
Accepted
hasanghaforian
Asked: 2024-01-08 18:59:28 +0800 CST

A cardinalidade dos dados é ambígua na forma de entrada para a camada LSTM

  • 772

Suponha que eu tenha estas 7 amostras de séries temporais:

1,2,3,4,5,6,7

Eu sei que existe uma relação entre cada amostra e as duas anteriores. Isso significa que quando você sabe que duas amostras anteriores são 1,2, você pode prever que a próxima deve ser 3e 2,3a próxima é 4e assim por diante.

Agora quero treinar RNNcom uma LSTMcamada para as amostras acima. O que eu fiz foi:

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

X = np.array([[[1]],[[2]],[[3]],[[4]],[[5]],[[6]],[[7]]])
Y = np.array([[3],[4],[5],[6],[7]])

model = keras.Sequential([
    layers.LSTM(16, input_shape=(2, 1)),
    layers.Dense(1, activation="softmax")
])

model.compile(optimizer="rmsprop",
loss="mse",
metrics=["accuracy"])

model.fit(X, Y, epochs=1, batch_size=1)

Mas me deparei com este erro:

ValueError: Data cardinality is ambiguous:
  x sizes: 7
  y sizes: 5
Make sure all arrays contain the same number of samples.

Não sei como tenho que mudar a forma Xe Yresolver o problema?

python

1 respostas

  1. Best Answer

    Existem alguns problemas. Primeiro , por causa do treinamento de supervisão, você precisa ter certeza de que a duração do treinamento paris ( Xe correspondente Y) é a mesma. Em seguida , como você deseja construir um modelo que tome 1e 2preveja 3, é por isso que você também precisa preparar seu carregador de dados de acordo, de modo que ele produza dois valores como Xe um valor alvo como Y; por exemplo, em primeira instância, pode ser o seguinte: X[0]: [[1], [2]]e Y[0]: [3]. Por último , em sua última camada, você usou a ativação softmaxque é incorreta para usar aqui; em vez disso, deveria ser uma ativação linear. Abaixo está o código de trabalho completo.

    Gerador de dados

    data = np.array([1, 2, 3, 4, 5, 6, 7])
sequences_length = 2

def dataloader(data, sequences_length):
    X, Y = [], []
    for i in range(len(data) - sequences_length):
        X.append(data[i:i+sequences_length])
        Y.append(data[i+sequences_length])
    return np.array(X), np.array(Y)

X, Y = dataloader(data, sequences_length)
X = np.reshape(X, (X.shape[0], sequences_length , 1))

# check
for i in range(X.shape[0]):
    print(X[i].reshape(-1), Y[i])
[1 2] 3
[2 3] 4
[3 4] 5
[4 5] 6
[5 6] 7

    Modelo

    model = keras.Sequential([
    layers.LSTM(64, input_shape=(sequences_length, 1)),
    layers.Dense(1)
])
model.compile(optimizer="adam", loss="mse")
model.fit(X, Y, epochs=1000, batch_size=1)

    Predição

    inference_data = np.array([[8, 9]]).reshape(
    1, sequences_length, 1
)
model.predict(inference_data)
1/1 [==============================] - 0s 25ms/step
array([[9.420095]], dtype=float32)
    • 1

relate perguntas