我正在寻找与 scikit-learn 的 partial_fit
等效的 keras:https://scikit-learn.org/0.15/modules/scaling_strategies.html#incremental-learning用于增量/在线学习。
我终于找到了 train_on_batch
方法,但我找不到一个示例来说明如何在 for 循环中为数据集正确实现它,如下所示:
x = np.array([[0.5, 0.7, 0.8]]) # input data
y = np.array([[0.4, 0.6, 0.33, 0.77, 0.88, 0.71]]) # output data
注意:这是一个多输出回归
到目前为止我的代码:
import keras
import numpy as np
x = np.array([0.5, 0.7, 0.8])
y = np.array([0.4, 0.6, 0.33, 0.77, 0.88, 0.71])
in_dim = x.shape
out_dim = y.shape
model = Sequential()
model.add(Dense(100, input_shape=(1,3), activation="relu"))
model.add(Dense(32, activation="relu"))
model.add(Dense(6))
model.compile(loss="mse", optimizer="adam")
model.train_on_batch(x,y)
我得到这个错误: ValueError:层 sequential_28 的输入 0 与层不兼容:输入形状的预期轴 -1 具有值 3 但接收到形状为 [3, 1] 的输入
最佳答案
您应该分批
提供您的数据。您给出的是单个实例,但模型需要批量数据。因此,您需要扩展批量大小的输入维度。
import keras
import numpy as np
from keras.models import *
from keras.layers import *
from keras.optimizers import *
x = np.array([0.5, 0.7, 0.8])
y = np.array([0.4, 0.6, 0.33, 0.77, 0.88, 0.71])
x = np.expand_dims(x, axis=0)
y = np.expand_dims(y, axis=0)
# x= np.squeeze(x)
in_dim = x.shape
out_dim = y.shape
model = Sequential()
model.add(Dense(100, input_shape=((1,3)), activation="relu"))
model.add(Dense(32, activation="relu"))
model.add(Dense(6))
model.compile(loss="mse", optimizer="adam")
model.train_on_batch(x,y)
关于python-3.x - keras中的增量学习,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63907380/