Ich möchte ein Spielzeug LSTM-Modell für die Regression zu bauen. This nettes Tutorial ist schon zu kompliziert für einen Anfänger.TensorFlow dynamic_rnn Regressor: ValueError Dimension nicht übereinstimmen
Bei einer gegebenen Sequenz der Länge time_steps
den nächsten Wert vorhersagen. Betrachten time_steps=3
und die Sequenzen:
array([
[[ 1.],
[ 2.],
[ 3.]],
[[ 2.],
[ 3.],
[ 4.]],
...
die Zielwerte sollten:
array([ 4., 5., ...
ich folgendes Modell definieren:
# Network Parameters
time_steps = 3
num_neurons= 64 #(arbitrary)
n_features = 1
# tf Graph input
x = tf.placeholder("float", [None, time_steps, n_features])
y = tf.placeholder("float", [None, 1])
# Define weights
weights = {
'out': tf.Variable(tf.random_normal([n_hidden, 1]))
}
biases = {
'out': tf.Variable(tf.random_normal([1]))
}
#LSTM model
def lstm_model(X, weights, biases, learning_rate=0.01, optimizer='Adagrad'):
# Prepare data shape to match `rnn` function requirements
# Current data input shape: (batch_size, time_steps, n_features)
# Required shape: 'time_steps' tensors list of shape (batch_size, n_features)
# Permuting batch_size and time_steps
input dimension: Tensor("Placeholder_:0", shape=(?, 3, 1), dtype=float32)
X = tf.transpose(X, [1, 0, 2])
transposed dimension: Tensor("transpose_41:0", shape=(3, ?, 1), dtype=float32)
# Reshaping to (time_steps*batch_size, n_features)
X = tf.reshape(X, [-1, n_features])
reshaped dimension: Tensor("Reshape_:0", shape=(?, 1), dtype=float32)
# Split to get a list of 'time_steps' tensors of shape (batch_size, n_features)
X = tf.split(0, time_steps, X)
splitted dimension: [<tf.Tensor 'split_:0' shape=(?, 1) dtype=float32>, <tf.Tensor 'split_:1' shape=(?, 1) dtype=float32>, <tf.Tensor 'split_:2' shape=(?, 1) dtype=float32>]
# LSTM cell
cell = tf.nn.rnn_cell.LSTMCell(num_neurons) #Or GRUCell(num_neurons)
output, state = tf.nn.dynamic_rnn(cell=cell, inputs=X, dtype=tf.float32)
output = tf.transpose(output, [1, 0, 2])
last = tf.gather(output, int(output.get_shape()[0]) - 1)
return tf.matmul(last, weights['out']) + biases['out']
Wir mit pred = lstm_model(x, weights, biases)
das LSTM Modell instanziieren ich die folgende :
---> output, state = tf.nn.dynamic_rnn(cell=cell, inputs=X, dtype=tf.float32)
ValueError: Dimension must be 2 but is 3 for 'transpose_42' (op: 'Transpose') with input shapes: [?,1], [3]
1) Weißt du, was das Problem ist?
2) Multiplizieren die LSTM-Ausgabe mit den Gewichtungen die Regression?
Können Sie den gesamten Stack-Trace für den Fehler freigeben? Aus der Fehlermeldung wird ersichtlich, dass einige 'tf.transpose() 'op auf einen 2-D Tensor angewendet wird, aber die Dimensionspermutation (zweites Argument) hat drei Werte. Ich denke, es kommt von [dieser Zeile] (https://github.com/tensorflow/tensorflow/blob/dc7293fe0f8084af1f608a5f0d4e93acd9f597f6/tensorflow/python/ops/rnn.py#L488), und das Problem ist, dass tf.nn .dynamic_rnn() 'erwartet, dass alle Zeitschritte in einem einzigen Tensor zusammengefasst werden. Versuchen Sie, 'tf.split()' zu entfernen und den ursprünglichen 'X'-Wert an' tf.nn.dynamic_rnn() 'zu übergeben. – mrry
@mrry Ich glaube, dass die Eingabedimension für dynamic_rdd() (Batch_size, time_steps, n_features) sein sollte. Daher sollten die "Vorverarbeitungsschritte", die ich dort mache, nicht erforderlich sein. – mastro
Richtig. Ich denke, das ist eine schlechte Fehlermeldung. Sie übergeben eine Liste von 'time_steps' 2-D-Tensoren, aber die korrekte Eingabe wäre ein einzelner 3-D-Tensor (und die erste Dimension sollte 'batch_size' anstatt 'time_steps' sein, sodass die Transponierung nicht notwendig sein sollte entweder). – mrry