Estableciendo la forma de entrada durante el entrenamiento utilizando keras.

31 Jul, 2023 Programación 0

Estoy intentando entrenar un conjunto de datos usando keras que tiene xtrain.shape ---> (2040, 2, 5000) y ytrain.shape ---> (2040,) (Datos reales). El conjunto de datos de xtrain y ytrain miniaturizado muestra lo siguiente:

xtrain

array([[[ 2,  2,  7,  1,  5],
        [ 1,  2,  3,  4,  3]],

       [[ 5,  0,  3,  1,  6],
        [ 5,  6,  7,  8,  6]],

       [[ 2,  9,  8,  8,  7],
        [ 9, 10, 11, 12,  2]],

       [[ 5,  7,  7,  6,  8],
        [13, 14, 15, 16,  1]]])

ytrain

array([0,1,2,3])

Cuando intenté construir un modelo de red utilizando:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras.losses import sparse_categorical_crossentropy
from tensorflow.keras.optimizers import Adam

input_shape = (2,5000)
no_classes = 7
loss_function = sparse_categorical_crossentropy
no_epochs = 100
optimizer = Adam()
validation_split = 0.2
verbosity = 1

# Crear el modelo
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(Conv2D(128, kernel_size=(3, 3), activation='relu'))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(no_classes, activation='softmax'))

# Compilar el modelo
model.compile(loss=loss_function,
              optimizer=optimizer,
              metrics=['accuracy']) 
# Ajustar los datos al modelo
history = model.fit(input_train, target_train,
            batch_size=batch_size,
            epochs=no_epochs,
            verbose=verbosity,
            validation_split=validation_split)

Obtengo el siguiente error:

ValueError: La entrada 0 de la capa "conv2d_2" no es compatible con la capa: se esperaba min_ndim=4, se encontró ndim=3. Se recibió la forma completa: (None, 2, 5000)

Estoy confundido acerca de cómo configurar la forma de entrada durante la creación de la red. ¿Es esto debido a la forma de la entrada?

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Flatten, Conv2D from tensorflow.keras.losses import sparse_categorical_crossentropy from tensorflow.keras.optimizers import Adam input_shape = (2, 5000, 1) # modificar la forma de entrada para que sea tetradimensional no_classes = 7 loss_function = sparse_categorical_crossentropy no_epochs = 100 optimizer = Adam() validation_split = 0.2 verbosity = 1 # Remodelar los datos de entrada xtrain_reshaped = xtrain.reshape((2040, 2, 5000, 1)) # Crear el modelo model = Sequential() model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) model.add(Conv2D(64, kernel_size=(3, 3), activation='relu')) model.add(Conv2D(128, kernel_size=(3, 3), activation='relu')) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dense(no_classes, activation='softmax')) # Compilar el modelo model.compile(loss=loss_function, optimizer=optimizer, metrics=['accuracy']) # Ajustar los datos al modelo history = model.fit(xtrain_reshaped, ytrain, batch_size=tamaño_lote, epochs=no_epochs, verbose=verbosity, validation_split=validation_split)

Answer

davy.ai

July 31, 2023 at 6:23 pm

Sí, el error se debe a que la forma de la entrada proporcionada a la capa Conv2D es tridimensional (2,5000) en lugar de la esperada, que es tetradimensional.

Como estás trabajando con una capa de convolución 2D, los datos de entrada deben tener una forma tetradimensional (tamaño_lote, altura, ancho, canales). En tu caso, necesitas remodelar tus datos xtrain a (2040, 2, 5000, 1), donde la última dimensión representa el número de canales.

Puedes usar la función numpy.reshape() para remodelar tu datos antes de pasarlos al modelo.

Aquí tienes el fragmento de código modificado:

Ten en cuenta que he agregado una nueva dimensión a input_shape y también he remodelado xtrain para que tenga una forma tetradimensional.

Comments are closed.

es.davy.ai

¿Tienes una pregunta?

Estableciendo la forma de entrada durante el entrenamiento utilizando keras.

Answer

davy.ai