Keras 平行层的连接改变了想要的目标形状

Question

我对 Keras 和深度学习有点陌生。我目前正在尝试复制此 paper 但是当我编译第一个模型（没有 LSTM）时，我收到以下错误：

"ValueError: Error when checking target: expected dense_3 to have shape (None, 120, 40) but got array with shape (8, 40, 1)"

模型的描述是这样的：

输入（长度 T 是设备特定的 window 尺寸）
带过滤器的并行一维卷积 size 3、5 和 7 分别是stride=1、number of filters=32、 activation type=linear、border mode=same
连接输出的合并层平行一维卷积
密集层，output_dim=128，activation type=ReLU
密集层，output_dim=128，activation type=ReLU
密集层，output_dim=T，activation type=linear

我的代码是这样的：

from keras import layers, Input
from keras.models import Model

# the window sizes (seq_length?) are 40, 1075, 465, 72 and 1246 for the kettle, dish washer,
# fridge, microwave, oven and washing machine, respectively.

def ae_net(T):
    input_layer = Input(shape= (T,))
    branch_a = layers.Conv1D(32, 3, activation= 'linear', padding='same', strides=1)(input_layer)
    branch_b = layers.Conv1D(32, 5, activation= 'linear', padding='same', strides=1)(input_layer)
    branch_c = layers.Conv1D(32, 7, activation= 'linear', padding='same', strides=1)(input_layer)

    merge_layer = layers.concatenate([branch_a, branch_b, branch_c], axis=1)

    dense_1 = layers.Dense(128, activation='relu')(merge_layer)
    dense_2 =layers.Dense(128, activation='relu')(dense_1)
    output_dense = layers.Dense(T, activation='linear')(dense_2)
    model = Model(input_layer, output_dense)
    return model

model = ae_net(40)
model.compile(loss= 'mean_absolute_error', optimizer='rmsprop')
model.fit(X, y, batch_size= 8)

其中 X 和 y 是长度为 40 个值的 8 个序列的 numpy arrays。所以 X.shape 和 y.shape 是 (8, 40, 1)。其实就是一批数据。问题是我无法理解输出的形状 (None, 120, 40) 以及这些尺寸的含义。

Answer 1

如您所述，您的形状包含 batch_size、length 和 channels：(8,40,1)

你的三个卷积，每个都创建一个像 (8,40,32) 这样的张量。您在 axis=1 中的串联创建了一个类似于 (8,120,32) 的张量，其中 120 = 3*40.

现在，密集层仅在最后一个维度（在本例中为通道）上起作用，而长度（现在为 120）保持不变。

解决方案

现在看来，您确实希望将长度保留在末尾。所以你不需要任何展平或重塑层。不过，您需要保持长度为 40。

您可能在错误的轴上进行串联。您应该在通道轴（2 或 -1）中串联，而不是长度轴 (1)。

因此，这应该是您的连接层：

merge_layer = layers.Concatenate()([branch_a, branch_b, branch_c])
#or layers.Concatenate(axis=-1)([branch_a, branch_b, branch_c])

这将输出 (8, 40, 96)，密集层会将 96 转换成其他东西。

Keras 平行层的连接改变了想要的目标形状

Concatenation of Keras parallel layers changes wanted target shape

numpy

python-3.x

keras

keras-layer

解决方案