我正在撰寫一個神經網路以將 Mel 頻率系數作為輸入，然后運行模型。我的資料集包含 100 個樣本 - 每個樣本是與系數對應的 12 個值的陣列。將這些資料拆分為訓練集和測驗集后，我創建了對應于陣列的 X 輸入和對應于標簽的 y 輸入。
包含系數的資料陣列
這是我的資料的一個小樣本，其中包含 X_train 陣列中的 5 個元素：
[ '[107.59366 -14.153783 24.799461 -8.244417 20.95272 \ n -4.375943 12.77285 -0.92922235 3.9418116 7.3581047 \ n -0.30066165 5.441765]' '[96.49664 2.0689797 21.557552 -32.827045 7.348135 -23.513977 \ n 7.9406714 -16.218931 10.594619 -21.4381 0.5903044 -10.569035]'' [105.98041 -2.0483367 12.276348 -27.334534 6.8239 -23.019623 \ n 7.5176797 -21.884727 11.349695 -22.734652 3.0335162 -11.142375]”“[7.73094559e 01 1.91073620e 00 6.72225571e 00 -2.74525508e-02 \ n 6.60858107e 00 5.99264860e -01 1.96265772e-01 -3.94772577e 00\n 7.46383286e 00 5.42239428e 00 1.21432066e-01 2.44894314e 00]'
當我創建神經網路時，我想使用 12 個系數作為網路的輸入。為此，我需要使用包含這些陣列的 X_train 資料集的每一行作為輸入。但是，當我嘗試將陣列索引視為輸入時，它會在嘗試擬合模型時出現形狀錯誤。我的模型如下：
def build_model_graph():
model = Sequential()
model.add(Input(shape=(12,)))
model.add(Dense(12))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('relu'))
model.add(Dense(num_labels))
model.add(Activation('softmax'))
# Compile the model
model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')
return model
在這里，我想使用 X_train 陣列的每一行作為對應于 shape(12,) 的輸入。當我使用這樣的東西時：
num_epochs = 50
num_batch_size = 32
model.fit(x_train, y_train, batch_size=num_batch_size, epochs=num_epochs,
validation_data=(x_test, y_test), verbose=1)
我得到一個對我有意義的形狀的錯誤。供參考，錯誤如下：
ValueError: Exception encountered when calling layer "sequential_20" (type Sequential).
Input 0 of layer "dense_54" is incompatible with the layer: expected min_ndim=2, found ndim=1. Full shape received: (None,)
但我不確定如何提取 X_train 的每個索引處存在的 12 個系數的陣列，然后在模型輸入中使用它。索引 x_train 和 y_train 也不起作用。如果有人能指出我的相關方向，那將非常有幫助。謝謝！
編輯：我的資料框代碼如下：
clapdf = pd.read_csv("clapsdf.csv")
clapdf.drop('Unnamed: 0', inplace=True, axis=1)
clapdf.head()
nonclapdf = pd.read_csv("nonclapsdf.csv")
nonclapdf.drop('Unnamed: 0', inplace=True, axis=1)
sound_df = clapdf.append(nonclapdf)
sound_df.head()
d=sound_data.tolist()
df=pd.DataFrame(data=d)
data = df[0].to_numpy()
print("Before-->", data.shape)
dat = np.array([np.array(d) for d in data])
print('After-->', dat.shape)
在這里，形狀保持不變，因為 80 個樣本中的每個樣本的值不是以逗號分隔的格式，而是以系列的形式。
uj5u.com熱心網友回復：
如果您的資料如下所示：
samples = 2
features = 12
x_train = tf.random.normal((samples, 1, features))
tf.Tensor(
[[[-2.5988803 -0.629626 -0.8306641 -0.78226614 0.88989156
-0.3851106 -0.66053045 1.0571191 -0.59061646 -1.1602987
0.69124466 -0.04354193]]
[[-0.86917496 2.2923143 -0.05498986 -0.09578358 0.85037625
-0.54679644 -1.2213608 -1.3766612 0.35416105 -0.57801914
-0.3699728 0.7884727 ]]], shape=(2, 1, 12), dtype=float32)
您必須將其重塑(2, 12)為以適合您的模型與輸入形狀(batch_size, 12)：
import tensorflow as tf
def build_model_graph():
model = tf.keras.Sequential()
model.add(tf.keras.layers.Input(shape=(12,)))
model.add(tf.keras.layers.Dense(12))
model.add(tf.keras.layers.Activation('relu'))
model.add(tf.keras.layers.Dense(10))
model.add(tf.keras.layers.Activation('relu'))
model.add(tf.keras.layers.Dense(2))
model.add(tf.keras.layers.Activation('softmax'))
# Compile the model
model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')
return model
model = build_model_graph()
samples = 2
features = 12
x_train = tf.random.normal((samples, 1, features))
x_train = tf.reshape(x_train, (samples, features))
y = tf.random.uniform((samples, 1), maxval=2, dtype=tf.int32)
y_train = tf.keras.utils.to_categorical(y, 2)
model.fit(x_train, y_train, batch_size=1, epochs=2)
此外，如果您打算使用categorical_crossentropy.
y_train看起來像這樣：
[[0. 1.]
[1. 0.]]
更新 1： 如果您的資料來自資料幀，請嘗試以下操作：
import numpy as np
import pandas as pd
d = {'features': [[0.18525402, 0.92130125, 0.2296906, 0.75818471, 0.69813222, 0.47147329,
0.03560711, 0.06583931, 0.90921289, 0.76002148, 0.50413995, 0.36099004],
[0.18525402, 0.92130125, 0.2296906, 0.75818471, 0.69813222, 0.47147329,
0.03560711, 0.06583931, 0.90921289, 0.76002148, 0.50413995, 0.36099004]]}
df = pd.DataFrame(data=d)
data = df['features'].to_numpy()
print('Before -->', data.shape)
data = np.array([np.array(d) for d in data])
print('After -->', data.shape)
Before --> (2,)
After --> (2, 12)
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/382266.html