预测新结果时检查模型输入keras时出错

Question

我正在尝试使用基于新数据构建的 keras 模型，但在尝试预测预测时出现输入错误。

这是我的模型代码：

def build_model(max_features, maxlen):
    """Build LSTM model"""
    model = Sequential()
    model.add(Embedding(max_features, 128, input_length=maxlen))
    model.add(LSTM(128))
    model.add(Dropout(0.5))
    model.add(Dense(1))
    model.add(Activation('sigmoid'))

    model.compile(loss='binary_crossentropy',
                  optimizer='rmsprop')

    return model

以及我的代码来预测我的新数据的输出预测：

LSTM_model = load_model('LSTMmodel.h5')
data = pickle.load(open('traindata.pkl', 'rb'))


#### LSTM ####

"""Run train/test on logistic regression model"""

# Extract data and labels
X = [x[1] for x in data]
labels = [x[0] for x in data]

# Generate a dictionary of valid characters
valid_chars = {x:idx+1 for idx, x in enumerate(set(''.join(X)))}

max_features = len(valid_chars) + 1
maxlen = np.max([len(x) for x in X])

# Convert characters to int and pad
X = [[valid_chars[y] for y in x] for x in X]
X = sequence.pad_sequences(X, maxlen=maxlen)

# Convert labels to 0-1
y = [0 if x == 'benign' else 1 for x in labels]


y_pred = LSTM_model.predict(X)

我在运行这段代码时得到的错误：

ValueError: Error when checking input: expected embedding_1_input to have shape (57,) but got array with shape (36,)

我的错误来自 maxlen，因为对于我的训练数据，maxlen=57 和我的新数据，maxlen=36。

所以我尝试在我的预测代码中设置 maxlen=57 但是我得到了这个错误：

tensorflow.python.framework.errors_impl.InvalidArgumentError: indices[31,53] = 38 is not in [0, 38)
     [[Node: embedding_1/embedding_lookup = GatherV2[Taxis=DT_INT32, Tindices=DT_INT32, Tparams=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"](embedding_1/embeddings/read, embedding_1/Cast, embedding_1/embedding_lookup/axis)]]

我应该怎么做才能解决这些问题？更改我的嵌入层？

Answer 1

要么将嵌入层的 input_length 设置为您在数据集中看到的最大长度，要么只使用您在 [=12= 中构建模型时使用的相同 maxlen 值].在这种情况下，任何短于 maxlen 的序列都将被填充，任何长于 maxlen 的序列将被截断。

进一步确保您使用的特征在训练和测试时是相同的（即它们的数字不应该改变）。

预测新结果时检查模型输入keras时出错

Error when checking model input keras when predicting new results

python

tensorflow

machine-learning

keras

word-embedding