如何为 TFLearn 创建 validation_set？

Question

我正在尝试为这个聊天机器人教程创建一个 validation_set：Contextual Chatbots with Tensorflow

但是我的数据形状有问题，这是我用来创建训练集和验证集的方法：

words = []
classes = []
documents = []
ignore_words = ['?']
# loop through each sentence in our intents patterns
for intent in intents['intents']:
    for pattern in intent['patterns']:
        # tokenize each word in the sentence
        w = nltk.word_tokenize(pattern)
        # add to our words list
        words.extend(w)
        # add to documents in our corpus
        documents.append((w, intent['tag']))
        # add to our classes list
        if intent['tag'] not in classes:
            classes.append(intent['tag'])

# stem and lower each word and remove duplicates
words = [stemmer.stem(w.lower()) for w in words if w not in ignore_words]
words = sorted(list(set(words)))

# remove duplicates
classes = sorted(list(set(classes)))


# create our training data
training = []
output = []
# create an empty array for our output
output_empty = [0] * len(classes)

# training set, bag of words for each sentence
for doc in documents:
    # initialize our bag of words
    bag = []
    # list of tokenized words for the pattern
    pattern_words = doc[0]
    # stem each word
    pattern_words = [stemmer.stem(word.lower()) for word in pattern_words]
    # create our bag of words array
    for w in words:
        bag.append(1) if w in pattern_words else bag.append(0)

    # output is a '0' for each tag and '1' for current tag
    output_row = list(output_empty)
    output_row[classes.index(doc[1])] = 1

    training.append([bag, output_row])

# shuffle our features and turn into np.array
random.shuffle(training)
training = np.array(training)

# create train and test lists
x = list(training[:,0])
y = list(training[:,1])

我运行这两次使用不同的数据并得到我的训练和验证集。问题是我用训练集的形状启动我的张量流：

 net = tflearn.input_data(shape=[None, len(train_x[0])])

所以当我拟合模型时：

model.fit(train_x, train_y, n_epoch=1000,snapshot_step=100, snapshot_epoch=False, validation_set=(val_x,val_y), show_metric=True)

我收到这个错误：

ValueError: Cannot feed value of shape (23, 55) for Tensor 'InputData/X:0', which has shape '(?, 84)'

其中 23 是问题数，55 是我的验证集的唯一单词数。而84是训练集中唯一单词的数量。

因为我的验证集与我的训练集有不同数量的 questions/unique 个单词，所以我无法验证我的训练。

有人可以帮我创建一个独立于问题数量的有效验证集吗？我是 Tensorflow 和 Tflearn 的新手，所以任何帮助都会很棒。

Answer 1

据我所知，这就是您所做的：您创建了一个名为 words 的字典，其中包含数据集中所有可能的单词。然后在创建训练数据集时，您在该词典 words 中搜索 question 的每个单词，如果它在那里，您将 1 添加到您的词袋中，否则添加 0 .这里的问题是每个问题都会有不同数量的单词，因此 1's 和 0's.

的数量也不同

你可以通过做相反的事情来绕过它：在那个训练集问题中搜索字典 words 的每个单词，如果它在那里，将 1 添加到你的词袋中，然后0 否则。这样所有的问题都会变成相同的长度（=字典的长度words）。您的训练集现在将具有维度 (num_of_questions_in_training, len(words)。

对于验证集也可以做同样的事情：在验证集的那个问题中搜索字典 words 的每个单词，如果它在那里，将 1 添加到你的词袋和 0 否则。同样，通过这种方式，您的验证集现在将具有维度 (num_of_questions_in_validation, len(words)，这解决了维度不匹配的问题。

所以假设 words 中有 90 个单词，training_set_shape: (?,90), validation_set_shape: (23,90).

如何为 TFLearn 创建 validation_set？

How to create a validation_set for TFLearn?

python

tensorflow

neural-network

chatbot

tflearn