NeuPy: проблемы с входными фигурами

Question

Я хочу построить нейронную сеть, используя neupy. Поэтому я создал следующую архитектуру:

 network = layers.join(
                    layers.Input(10),

                    layers.Linear(500),
                    layers.Relu(),

                    layers.Linear(300),
                    layers.Relu(),

                    layers.Linear(10),
                    layers.Softmax(),
                )

Мои данные имеют следующую форму:

x_train.shape = (32589,10)
y_train.shape = (32589,1)

Когда я пытаюсь обучить эту сеть, используя:

model.train(x_train, y_trian)

Я получаю следующую ошибку:

ValueError: Input dimension mis-match. (input[0].shape[1] = 10, input[1].shape[1] = 1)
Apply node that caused the error: Elemwise{sub,no_inplace}(SoftmaxWithBias.0, algo:network/var:network-output)
Toposort index: 26
Inputs types: [TensorType(float64, matrix), TensorType(float64, matrix)]
Inputs shapes: [(32589, 10), (32589, 1)]
Inputs strides: [(80, 8), (8, 8)]
Inputs values: ['not shown', 'not shown']
Outputs clients: [[Elemwise{Composite{((i0 * i1) / i2)}}(TensorConstant{(1, 1) of 2.0}, Elemwise{sub,no_inplace}.0, Elemwise{mul,no_inplace}.0), Elemwise{Sqr}[(0, 0)](Elemwise{sub,no_inplace}.0)]]

Как мне отредактировать мою сеть, чтобы отобразить данные такого типа?

Спасибо большое!

Answer 1

Ваша архитектура имеет 10 выходов вместо 1. Я предполагаю, что ваш y_train Функция является идентификатором класса 0-1. Если так, то вам нужно изменить свою структуру следующим образом:

network = layers.join(
   layers.Input(10),

   layers.Linear(500),
   layers.Relu(),

   layers.Linear(300),
   layers.Relu(),

   layers.Linear(1),  # Single output
   layers.Sigmoid(),  # Sigmoid works better for 2-class classification
)

Вы можете сделать это еще проще

network = layers.join(
   layers.Input(10),
   layers.Relu(500),
   layers.Relu(300),
   layers.Sigmoid(1),
)

Причина, почему это работает, потому что layers.Liner(10) > layers.Relu() такой же как layers.Relu(10), Вы можете узнать больше в официальной документации: http://neupy.com/docs/layers/basics.html