Keras ValueError：使用输入尺寸2索引超出范围；对于'；crf_1/跨步_切片

我试图在BiLSTM之后实现crf而不是softmax，我使用

keras_contrib

来获得crf。我想我在数组的尺寸上犯了一些错误，但我无法修复它。 以下是代码：

 # preds = Dense(num_label, activation='softmax')(out)
 # preds_binary = Dense(2, activation='softmax')(out)
 '''
 test 1
 '''
 preds = kcl.CRF(num_label, sparse_target=True)(out)
 preds_binary = kcl.CRF(2, sparse_target=True)(out)

以下是错误消息：

ValueError: Index out of range using input dim 2; input has only 2 dims for 'crf_1/strided_slice' (op: 'StridedSlice') with input shapes: [?,5], [3], [3], [3] and with computed input tensors: input[3] = <1 1 1>.

ValueError：使用输入尺寸2索引超出范围；“crf_1/跨步_切片”（op:“跨步切片”）的输入只有2个DIM，输入形状为：[？、5]、[3]、[3]、[3]，计算输入张量为：输入[3]=。

---

这里有人能帮我吗？

@giser\u yugang这是我的密码： num_标签=5

train\u数组=[X\u train，POS1\u train，POS2\u train]
test_数组=[X_测试，POS1_测试，POS2_测试]
列车标签=[Y列车，二进制列车]
test\u label=[Y\u test，binary\u label\u test]
x检验药物、x检验药物、y检验药物、y检验药物=pd.拆分药物（id检验、x检验、y检验、POS1检验、POS2检验、，
二进制（标记（测试）
打印（“\n x检验药物[0]的形状：”，x检验药物[0]。形状，'\n'）
打印（“\n x\u测试医学[0]的形状：”，x\u测试医学[0]。形状，'\n'）
打印（“加载word2vec…”）
len_dic，嵌入矩阵=ld.加载单词矩阵（手套目录，
MAX_NB_单词，
单词索引，
嵌入（U DIM）
打印（“创建单词嵌入层…”）
嵌入层=嵌入层，
他说,，
权重=[嵌入矩阵]，
输入长度=最大序列长度，
可培训=真实）
打印（“创建位置嵌入层…”）
位置\u em\u尺寸=10
位置嵌入矩阵=np.随机.均匀（-0.1,0.1，大小=（400，位置em\u尺寸））
打印（“嵌入矩阵的形状”，嵌入矩阵的形状）
pos_嵌入层=嵌入（400，
位置_em _dim，
权重=[pos_嵌入矩阵]，
输入长度=最大序列长度，
可培训=真实）
打印（'创建模型…'）
序列输入=输入（形状=（最大序列长度），数据类型='int32'）
单词\u嵌入\u序列=嵌入\u层（序列\u输入）
pos1\u序列\u输入=输入（形状=（最大序列长度，），数据类型='int32'）
pos1_嵌入_序列=pos_嵌入_层（pos1_序列_输入）
pos2\u序列\u输入=输入（形状=（最大序列长度，），数据类型='int32'）
pos2_嵌入_序列=pos_嵌入_层（pos2_序列_输入）
#embedded_sequences=合并（[word_embedded_sequences，pos1_embedded_sequences，pos2_embedded_sequences]，
#模式（='concat'）
嵌入的\u序列=串联（[word\u嵌入的\u序列，pos1\u嵌入的\u序列，pos2\u嵌入的\u序列]，轴=-1）
'''
#请注意，添加位置添加最后两个
'''
嵌入式_序列=辍学（0.3）（嵌入式_序列）
lstm_正向，lstm_反向=双向，
辍学率=0.3，
return_sequences=True，
U_正则化器=正则化器.l2（0.0001）），
合并\u模式=无（嵌入式\u序列）
#lstm_forward=lstm（150，dropout_W=0.2，dropout_=0.2，return_sequences=True）（嵌入式_sequences）
#lstm_backword=lstm（150，辍学_W=0.2，辍学_=0.2，返回_序列=True，返回_序列=True）（嵌入式_序列）
翻转_层=λ（λx:K.反向（x，1），输出_形状=λx:（x[0]，x[1]，x[2]））
翻转\u层。支持\u掩蔽=真
lstm_backword=翻转层（lstm_backword_reverse）
#lstm_序列=合并（[lstm_正向，lstm_反向），模式='concat'，concat_轴=-1）
lstm_序列=串联（[lstm_正向，lstm_反向字]，轴=-1）
#pos_feature=merge（[pos1_嵌入序列，pos2_嵌入序列]，mode='concat'，concat_轴=-1）
pos_Feature=连接（[pos1_嵌入序列，pos2_嵌入序列]，轴=-1）
pos_feature=时间分布（稠密（20，init='he_normal'））（pos_feature）
h_特征=时间分布（密集（隐藏尺寸*2））（lstm_序列）
#附件特性=合并（[h\U特性，位置特性]，模式='concat'，concat\u轴=-1）
att_特性=连接（[h_特性，位置特性]，轴=-1）
权重=注意力权重2（name='attention'）（att_功能）
权重\重复=重复向量（隐藏的\尺寸*2）（权重）
权重重复次数=排列（（2，1））（权重重复次数）
#mul=merge（[lstm\u序列，权重每重复一次]，模式=mul'）
mul=乘法（[lstm\u序列，权重\u重复\u每]）
sumpool=Lambda（Lambda x:K.sum（x，axis=1，keepdims=False），output_shape=Lambda x:（x[0]，x[2]））
sumpool.supports_masking=True
att_out=sumpool（mul）
lastout=Lambda（切片，输出形状=Lambda x:（x[0]，x[2]），参数={'index'：-1}）
lstm_last_forward=lastout（lstm_forward）
lstm_last_backward=lastout（lstm_backword）
#lstm_last=合并（[lstm_last_forward，lstm_last_backward]，mode='concat'）
lstm_last=连接（[lstm_last_向前，lstm_last_向后]，轴=-1）
att_out=密集（隐藏尺寸*2）（att_out）
lstm\U last=密集（隐藏尺寸*2）（lstm\U last）
#out=合并（[att\u out，lstm\u last]，mode='sum'）
out=添加（[att\u out，lstm\u last]）
辍学=辍学（0.5）（辍学）
out=激活（Activation='tanh'）（out）
preds=密集（num_标签，activation='softmax'）（out）
preds_二进制=密集（2，激活='softmax'）（输出）
'''
测试1
'''
preds=kcl.CRF（num_标签，稀疏目标=True）（输出）
preds_binary=kcl.CRF（2，稀疏目标