用于 LSTM 的 Kerastuner

如何解决用于 LSTM 的 Kerastuner

我正在处理一个文本分类问题，并尝试使用 Kerastuner 来确定我的 LSTM 网络的最佳配置。下面是相同的代码：

keras 调谐器

def build_model(hp):
  
  num_hidden_layers =1
  num_units = 8
  dropout_rate = 0.1
  learning_rate=0.01
  
  

  if hp:
    num_hidden_layers = hp.Int('num_hidden_layers',min_value=2,max_value=100,step=5)
    num_units = hp.Int('num_units',min_value=50,max_value=2000,step=50)
    dropout_rate = hp.Float('dropout_rate',min_value=0.1,max_value=0.5)
    learning_rate = hp.Float('learning_rate',min_value=0.0001,max_value=0.01)
    momentum_rate = hp.Float('momentum_rate',min_value=0.5,max_value=0.9)
    vocab_size = len(tokenizer.word_index)+1
    max_sequence_length = 500
    embedding_size = 300

  model = tf.keras.models.Sequential()
  model.add(tf.keras.layers.Embedding(input_dim=vocab_size,output_dim=embedding_size,input_length=max_sequence_length,weights=[embedding_matrix],trainable=False))
  
  
  for _ in range(0,num_hidden_layers):
    
    model.add(tf.keras.layers.LSTM(num_units))
    model.add(tf.keras.layers.Dropout(dropout_rate))

  model.add(tf.keras.layers.Dense(1,activation='sigmoid'))
  
  model.compile(
      loss = 'mse',optimizer =tf.keras.optimizers.SGD(learning_rate=learning_rate,momentum=momentum_rate),metrics = [tf.keras.metrics.BinaryCrossentropy(name='binary_crossentropy')]
  )
  return model

class CustomTuner(kerastuner.tuners.Bayesianoptimization):
  def run_trial(self,trial,*args,**kwargs):
    kwargs['batch_size'] = trial.hyperparameters.Int('batch_size',128,1024,step=32)
    super(CustomTuner,self).run_trial(trial,**kwargs)

tuner = CustomTuner(
    build_model,objective=kerastuner.Objective('val_loss','min'),max_trials=2,executions_per_trial=1,directory='/dbfs/FileStore/GDPR_Dev/Data/',project_name = 'nn_logs_lstm_30062021',overwrite=True

代码失败并出现以下错误：

ValueError: 层 lstm_1 的输入 0 与层不兼容：预期 ndim=3，发现 ndim=2。收到完整形状：（无，50）

有人可以帮我解决这个问题吗？

解决方法

目前，您的数据是二维 (N x M)，但是，输入数据应该是三维的。要解决这个问题，您应该将输入重塑为 N x M x 1 矩阵，如下所示：

x = np.reshape(x,(x.shape[0],x.shape[1],1))

如果您的输入是多元的，那么所需的输入形状将是 N x M x K，其中 k 是维数