我正在尝试使用Python 3中的Keras进行序列分类。我希望对词语序列进行分类。在我的数据中，我使用了word_2_vec将词语转换为形状为300的数组。我的训练数据如下
X –> 词向量列表的列表（所有词向量列表的长度均为50个词向量）
Y –> 经过独热编码的正确类别的列表（如：[[0, 0, 1], [1, 0, 0], [1, 0, 0]…]）
当我尝试初始化模型并将我的数据拟合到模型时，我不断遇到错误。我是使用Keras进行深度学习的新手。我的模型应该有哪些层？另外，我遇到的一个特定错误是我的input_shape不正确。在这种情况下，我的input_shape是什么？
代码：
training_data = [] with open(INTENT_RECOGNITION_TRAINING, 'r') as json_file: json_obj = json.load(json_file) for data in json_obj['data']: for query in data['queries']: words = [START_TOKEN] + word_tokenize(query[0]) + [END_TOKEN] if len(words) > JText.MAX_QUERY_LENGTH: JText.MAX_QUERY_LENGTH = len(words) training_data.append((words, data['intent'])) training_data = [(JText._pad_sequence(ws, JText.MAX_QUERY_LENGTH), intent) for (ws, intent) in training_data] for i in range(len(training_data)): if training_data[i][1] not in JText.INTENTS: JText.INTENTS.append(training_data[i][1]) query_vector = [] for w in training_data[i][0]: if w in JText.WORD2VEC.vocab: query_vector.append(JText.WORD2VEC[w]) else: query_vector.append(np.zeros(300)) training_data[i] = (query_vector, training_data[i][1]) random.shuffle(training_data) X_train = [tup[0] for tup in training_data] y_train = [tup[1] for tup in training_data] y_labelencoder = LabelEncoder() y_train = y_labelencoder.fit_transform(y_train).reshape(-1, 1) y_onehotencoder = OneHotEncoder(categorical_features=[0]) y_train = y_onehotencoder.fit_transform(y_train).toarray() recognizer = Sequential([ LSTM(100, input_shape=(JText.MAX_QUERY_LENGTH, 300)), Dense(len(JText.INTENTS), activation='sigmoid') ]) recognizer.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) recognizer.fit(X_train, y_train, nb_epoch=100, batch_size=10)遇到以下错误：
Exception: Error when checking model input: expected lstm_input_1 to have 3 dimensions, but got array with shape (21, 1)回答：
没有Keras模型代码或错误消息，很难给出确切的答案。我将尝试根据可用信息提供一般解决方案。
- 我假设您使用Keras中的LSTM进行序列分类。如果是这样的话，您的输入应该是维度为(batch_size,Time_steps,length_each_word_vector)的3D ndarray。因此，在您的情况下，输入是一个形状为(no_of_sequences_to_train,50,300)的ndarray，假设每个序列中有50个词。
- 关于您应该使用哪些层，由于提供的y参数似乎只有3个分类类别。如果是这样，您可以考虑添加一个输出维度为3的Dense层（即第一个参数为3）
这个博客是序列分类的好例子，应该为初学者提供一些直观的想法。
希望这有帮助
更新我也在尝试做类似的事情，并且遇到了相同的问题。从您的代码来看，您传递的是形状为(seq_len, 300)的ndarray列表。Keras期望的是3D numpy数组，而不是numpy数组的列表。
我会这样重新配置我的训练数据
X_train = np.zeros((len(training_data),MAX_QUERY_LENGTH,300))for i in range(len(training_data)): tup = training_data[i] X_train[i,:,:]=tup[0]上面的代码虽然没有优化，但它最好地传达了所需的更改，以便LSTM层接受您的输入
希望这有帮助
