Python 3.x 使用LSTM训练的模型只能预测所有样本的相同值

我有一个包含4000行和两列的数据集。第一列包含一些句子，第二列包含一些数字。 大约有4000个句子，它们被100个不同的数字分类。例如：

Sentences                                         Codes

Google headquarters is in California              87390
Steve Jobs was a great man                        70214
Steve Jobs has done great technology innovations  70214
Google pixel is a very nice phone                 87390
Microsoft is another great giant in technology    67012
Bill Gates founded Microsoft                      67012 

类似地，总共有4000行包含这些句子，这些行用100个这样的代码进行分类

我已经尝试了下面的代码，但当我预测时，它预测的是一个相同的值。换句话说，y_pred给出了一个相同值的数组

我能知道代码哪里出错了吗

import pandas as pd
import numpy as np

xl = pd.ExcelFile("dataSet.xlsx")
df = xl.parse('Sheet1') 

#df = df.sample(frac=1).reset_index(drop=True)# shuffling the dataframe


df = df.sample(frac=1).reset_index(drop=True)# shuffling the dataframe
X = df.iloc[:, 0].values
Y = df.iloc[:, 1].values

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
import pickle 

count_vect = CountVectorizer()
X = count_vect.fit_transform(X)

tfidf_transformer = TfidfTransformer()
X = tfidf_transformer.fit_transform(X)

X = X.toarray()

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_Y = LabelEncoder()
Y = labelencoder_Y.fit_transform(Y)
y = Y.reshape(-1, 1)  # Because Y has only one column

onehotencoder = OneHotEncoder(categories='auto')
Y = onehotencoder.fit_transform(y).toarray()


from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

inputDataLength = len(X_test[0])
outputDataLength = len(Y[0])

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers.embeddings import Embedding
from keras.preprocessing import sequence
from keras.layers import Dropout

# fitting the model
embedding_vector_length = 100
model = Sequential()
model.add(Embedding(outputDataLength,embedding_vector_length, input_length=inputDataLength))
model.add(Dropout(0.2))
model.add(LSTM(outputDataLength))
model.add(Dense(outputDataLength, activation='softmax'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10, batch_size=20)
y_pred = model.predict(X_test)
invorg = model.inverse_transform(y_test)
y_test = labelencoder_Y.inverse_transform(invorg)
inv = onehotencoder.inverse_transform(y_pred)
y_pred = labelencoder_Y.inverse_transform(inv)

---

您使用的是

binary\u交叉熵

即使您有

100个

类。这不是正确的做法。对于此任务，您必须使用

categorical\u crossentropy

像这样编译你的模型

y_pred = model.predict(X_test)
inv = onehotencoder.inverse_transform(y_pred)
y_pred = labelencoder_Y.inverse_transform(inv)

y_pred = model.predict(X_test)
y_pred = np.argmax(y_pred, axis=1)
y_pred = labelencoder_Y.inverse_transform(y_pred)

invorg = np.argmax(y_test, axis=1)
invorg = labelencoder_Y.inverse_transform(invorg)

model.compile（loss='classifical\u crossentropy'，optimizer='adam'，metrics=['accurity']）

另外，您正在使用模型进行预测，并转换为类标签，如下所示

y_pred = model.predict(X_test)
inv = onehotencoder.inverse_transform(y_pred)
y_pred = labelencoder_Y.inverse_transform(inv)

y_pred = model.predict(X_test)
y_pred = np.argmax(y_pred, axis=1)
y_pred = labelencoder_Y.inverse_transform(y_pred)

invorg = np.argmax(y_test, axis=1)
invorg = labelencoder_Y.inverse_transform(invorg)

由于您的模型是使用softmax激活的，以便获得类别标签，因此您必须找到预测的

argmax

例如，如果预测值为

[0.2,0.3,0.0005,0.99]

则必须取argmax，这将为您提供输出

3

。高概率的类

所以你必须像这样修改预测代码

y_pred = model.predict(X_test)
inv = onehotencoder.inverse_transform(y_pred)
y_pred = labelencoder_Y.inverse_transform(inv)

y_pred = model.predict(X_test)
y_pred = np.argmax(y_pred, axis=1)
y_pred = labelencoder_Y.inverse_transform(y_pred)

invorg = np.argmax(y_test, axis=1)
invorg = labelencoder_Y.inverse_transform(invorg)

---

现在，您将在

invorg

中获得实际类标签，并在

y\u pred

中获得预测类标签，您正在使用

二进制交叉熵

即使您拥有

100个

类。这不是正确的做法。对于此任务，您必须使用

categorical\u crossentropy

像这样编译你的模型

y_pred = model.predict(X_test)
inv = onehotencoder.inverse_transform(y_pred)
y_pred = labelencoder_Y.inverse_transform(inv)

y_pred = model.predict(X_test)
y_pred = np.argmax(y_pred, axis=1)
y_pred = labelencoder_Y.inverse_transform(y_pred)

invorg = np.argmax(y_test, axis=1)
invorg = labelencoder_Y.inverse_transform(invorg)

model.compile（loss='classifical\u crossentropy'，optimizer='adam'，metrics=['accurity']）

另外，您正在使用模型进行预测，并转换为类标签，如下所示

y_pred = model.predict(X_test)
inv = onehotencoder.inverse_transform(y_pred)
y_pred = labelencoder_Y.inverse_transform(inv)

y_pred = model.predict(X_test)
y_pred = np.argmax(y_pred, axis=1)
y_pred = labelencoder_Y.inverse_transform(y_pred)

invorg = np.argmax(y_test, axis=1)
invorg = labelencoder_Y.inverse_transform(invorg)

由于您的模型是使用softmax激活的，以便获得类别标签，因此您必须找到预测的

argmax

例如，如果预测值为

[0.2,0.3,0.0005,0.99]

则必须取argmax，这将为您提供输出

3

。高概率的类

所以你必须像这样修改预测代码

y_pred = model.predict(X_test)
inv = onehotencoder.inverse_transform(y_pred)
y_pred = labelencoder_Y.inverse_transform(inv)

y_pred = model.predict(X_test)
y_pred = np.argmax(y_pred, axis=1)
y_pred = labelencoder_Y.inverse_transform(y_pred)

invorg = np.argmax(y_test, axis=1)
invorg = labelencoder_Y.inverse_transform(invorg)

---

现在，您将在

invorg

中获得实际类标签，在

y\u pred

中获得预测类标签，因此您有100个类。然后你必须使用

categorical\u crossentropy

来计算损失。另外，在预测之后，您必须使用预测的

argmax

，这样您就有100个类。然后你必须使用

categorical\u crossentropy

来计算损失。另外，在预测之后，您必须使用预测的

argmax

，我想您可以使用

binary\u crossentropy

和

分类精度

是的，您可以。所讨论的代码的主要问题是预测。我正在使用的一个热编码呢？y=y.Reformate（-1,1）onehotencoder=onehotencoder（categories='auto'）y=onehotencoder.fit_transform（y）.toarray（）我得到的数组的常量输出（['67012'，'67012'，'67012'，'67012'，'67012'，'67012']，dtype='你所说的输出是什么意思？

model.predict（）

给你这个结果。我想你可以使用

二进制交叉熵
和
分类精度
是的，你可以。问题代码的主要问题是预测。我使用的一个热编码呢？y=y。重塑（-1，1）onehotencoder=onehotencoder（categories='auto'）y=onehotencoder。拟合变换（y）.toarray（）我得到的数组（['67012'，'67012'，'67012'，'67012'，…，'67012'，'67012'，'67012'，'67012']）的常量输出，dtype='你所说的输出是什么意思。
model.predict（）
会给你这个结果吗。？