Keras: Layer zusammenführen/verketten: TypeError: __init __() hat mehrere Werte für das Argument 'Achse'

Question

Ich habe das folgende Netzwerk erstellt. Die Idee ist, die Ausgänge der left und right zu kombinieren und dann an ein LSTM-Modell zu senden.

EMBED_DIM = 4 
look_back = 6 
feature_num = 2 
ENCODE_DIM = 676 

left = Sequential() 
left.add(Dense(EMBED_DIM,input_shape=(ENCODE_DIM,))) 
left.add(RepeatVector(look_back)) 
left.add(Reshape((look_back,EMBED_DIM))) 

right = Sequential() 
right.add(Lambda(lambda x: x,input_shape=(look_back,feature_num))) 


# create and fit the LSTM network 
model = Sequential() 
model.add(Concatenate([left, right], axis = 2,input_shape=(look_back, EMBED_DIM + feature_num))) 
model.add(LSTM(8, input_shape=(look_back,feature_num + EMBED_DIM))) 

model.add(Dense(2)) 
model.compile(loss='mean_squared_error', optimizer='adam') 

Ich versuche, die Ausgabe von links und rechts, dann senden Sie den neuen Tensor zum LSTM Modell verketten.

jedoch bekam ich folgende Fehlermeldung:

---

TypeError         Traceback (most recent call last) 
<ipython-input-156-275f5597cdad> in <module>() 

---> 37 model.add(Concatenate([left, right], axis = 2,input_shape=(look_back, EMBED_DIM + feature_num))) 
    38 model.add(LSTM(8, input_shape=(look_back,feature_num + EMBED_DIM))) 
    39 

TypeError: __init__() got multiple values for argument 'axis' 

Jede Idee, was ich falsch gemacht habe? Kann ich eine Concatenate Schicht als erste Schicht eines Modells hinzufügen? Vielen Dank!

Answer 1

Sequenzielle Modelle sind nicht für Verzweigungen gedacht. Verwenden Sie das funktionale API-Modell.

ist die „Tensor“ von der linken und rechten Seite Lassen Sie erhalten:

leftOutput = left.output  
rightOutput = right.output 

Nun ist die Concatenate eine Schicht, die die gleiche Logik aller anderen Schichten folgt. (Erste Sie es schaffen, dann rufen Sie es mit dem Eingang Tensoren):

#first parentheses: create the layer/second parentheses: call the layer with inputs 
output = Concatenate(axis=2)([leftOutput,rightOutput]) 

sie hält den Rest des Modells als funktionellen API auch:

output = LSTM(8)(output) 
output = Dense(2)(output) 

Jetzt erstellen wir das Modell, sagen sie, was die Ein- und Ausgänge sind:

inputTensorLeft = left.input 
inputTensorRight = right.input  

fullModel = Model([inputTensorLeft,inputTensorRight], output) 

Hinweis Sie mit drei Modellen endete, aber einer von ihnen die anderen beiden enthält. Sie teilen die gleichen Gewichte. Trainieren wird die anderen trainieren, wenn Sie einen gemeinsamen Pfad trainieren.