Я тренирую набор данных PTB для прогнозирования символов (то есть LSTM на уровне персонажа).
Размер для учебных партий - [len (dataset) x vocabulary_size]. Здесь, vocabulary_size = 27 (26 + 1 [для токенов unk и пробелов или стоп-стопов.]).
Это код для преобразования в one_hot для ввода обоих партий (arrX) и меток (arrY).
Ошибка в размерности для LSTM в tflearn
arrX = np.zeros((len(train_data), vocabulary_size), dtype=np.float32)
arrY = np.zeros((len(train_data)-1, vocabulary_size), dtype=np.float32)
for i, x in enumerate(train_data):
arrX[i, x] = 1
arrY = arrX[1, :]
творю заполнитель входа (X) и меток (Y) в графике, чтобы передать его tflearn LSTM.Following код для графа и сессии.
batch_size = 256
with tf.Graph().as_default():
X = tf.placeholder(shape=(None, vocabulary_size), dtype=tf.float32)
Y = tf.placeholder(shape=(None, vocabulary_size), dtype=tf.float32)
print (utils.get_incoming_shape(tf.concat(0, Y)))
print (utils.get_incoming_shape(X))
net = tflearn.lstm(X, 512, return_seq=True)
print (utils.get_incoming_shape(net))
net = tflearn.dropout(net, 0.5)
print (utils.get_incoming_shape(net))
net = tflearn.lstm(net, 256)
net = tflearn.fully_connected(net, vocabulary_size, activation='softmax')
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(net, Y))
optimizer = tf.train.AdamOptimizer(learning_rate=0.01).minimize(loss)
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
offset=0
avg_cost = 0
total_batch = (train_length-1)/256
print ("No. of batches:", '%d' %total_batch)
for i in range(total_batch) :
batch_xs, batch_ys = trainX[offset : batch_size + offset], trainY[offset : batch_size + offset]
sess.run(optimizer, feed_dict={X: batch_xs, Y: batch_ys})
cost = sess.run(loss, feed_dict={X: batch_xs, Y: batch_ys})
avg_cost += cost/total_batch
if i % 20 == 0:
print("Step:", '%03d' % i, "Loss:", str(cost))
offset += batch_size
SO, я получаю следующую ошибку assert ndim >= 3, "Input dim should be at least 3." AssertionError: Input dim should be at least 3.
Как я могу resolve this error
? Есть ли альтернативное решение? Должен ли я писать отдельное определение LSTM?