Python 3.x 由于负索引查找，Keras嵌入层中的InvalidArgumentError无效

我在尝试培训在Keras中实施的深度学习模型时收到了一份

InvalidArgumeInterror

。我在Keras和TensorFlow中搜索过类似的问题，但是由于找不到索引，我的错误消息似乎不寻常。下面是错误消息

tensorflow.python.framework.errors\u impl.无效arguminterror：索引[427,9]=-2147483648不在[038545]中 [[Node:time\u distributed\u 1/Gather=Gather[Tindices=DT\u INT32，Tparams=DT\u FLOAT，validate\u Indexes=true，\u device=“/job:localhost/replica:0/task:0/device:CPU:0”]（嵌入/读取，time\u distributed\u 1/Cast）]]

我使用的是Python 3.5.2，TensorFlow版本是1.4.1，Keras版本是2.1.5

正如您所注意到的，不仅要查找的索引是负数，它实际上等于-2^31。（即，最低32位有符号整数值）

下面是我用来准备模型的代码

import numpy
from keras.layers import Embedding, Bidirectional, LSTM, TimeDistributed
from keras_contrib.layers import CRF

# Form embedding layer's weight matrix
V = len(word_to_index) + 1  # V = 38545
embedding_weights = numpy.zeros((V, N))
for word, index in word_to_index.items():
    embedding_weights[index, :] = word_vec_dict[word]

embedding_layer = Embedding(V, N,
                            weights=[embedding_weights], mask_zero=True)

model = Sequential()
model.add(TimeDistributed(embedding_layer,
                          input_shape=(C, U)))

model.add(TimeDistributed(Bidirectional(LSTM(M // 2, return_sequences=True))))
model.add(TimeDistributed(GlobalMaxPooling1D()))
model.add(Bidirectional(LSTM(H // 2, return_sequences = True), merge_mode='concat'))
crf = CRF(num_tags, sparse_target=True)
model.add(crf)
model.compile('adam', loss = crf.loss_function, metrics=[crf.accuracy])

馈送到此模型的数据具有维度

（C，U，N）

，类型为

int

（即不包括批量维度

B

）简单地说，一批样本中的每个样本都是长度

C

的对话。每个对话由固定长度

U

的话语组成。最后，每个话语都由

N

正指数组成。（即词汇表中相关词的指数）

---

我甚至使用simple for循环检查了整个数据集（在转换为索引后），没有找到超出范围的任何索引值

[038545）

。为什么在培训期间会出现

-2^31

的索引循环？

我最终解决了这个问题。我在培训模型时使用了批生成，并且在批生成器函数中未初始化输入数组的一部分

我不清楚为什么要查找的索引是-2147483648，确切地说。但是，我认为，由于数组的未初始化部分包含的值大于词汇表大小，甚至大于32位整数的边界，因此导致了未定义的行为

在我正确地初始化了整个批输入之后，问题就解决了。下面是我使用的批生成器函数的简化版本。添加的初始化部分对此有一个注释，以突出上面所述的内容

def batch_generator(dataset_x, dataset_y, tag_indices, mini_batch_list, C, U,
                    num_tags, word_index_to_append, tag_index_to_append):
    num_mini_batches = len(mini_batch_list)

    index_list = [x for x in range(num_mini_batches)]
    random.shuffle(index_list)

    k = -1
    while True:
        k = (k + 1) % len(index_list)
        index = index_list[k]
        conversation_indices = mini_batch_list[index]

        num_conversations = len(conversation_indices)
        batch_features = numpy.empty(shape = (num_conversations, C, U),
                                     dtype = int)
        label_list = []

        for i in range(num_conversations):
            utterances = dataset_x[conversation_indices[i]]
            labels = copy.deepcopy(dataset_y[conversation_indices[i]])
            num_utterances = len(utterances)
            num_labels_to_append = max(0, C - len(labels))
            labels += [tag_index_to_append] * num_labels_to_append
            tags = to_categorical(labels, num_tags)
            del labels

            for j in range(num_utterances):
                utterance = copy.deepcopy(utterances[j])
                num_to_append = max(0, U - len(utterance))
                if num_to_append > 0:
                    appendage = [word_index_to_append] * num_to_append
                    utterance += appendage

                batch_features[i][j] = utterance

            # ADDING THE TWO LINES BELOW SOLVED THE ISSUE
            remaining_space = (C - num_utterances, U)
            batch_features[i][num_utterances:] = numpy.ones(remaining_space) *\
                                                 word_index_to_append
            label_list.append(tags)

        batch_labels = numpy.array(label_list)
        yield batch_features, batch_labels

---

@DanielMöller如我的问题所述，我使用for循环对数据进行迭代，检查了整个数据集是否存在超出范围的值。没有任何值。此外，不仅如此，我还将数据打印到文本文件中，并使用文本编辑器搜索减号字符

-

。找不到任何值。38545大于最大值int 16值。你确定所有的模型层、数据数组等都是int 32吗？如果有东西溢出，Keras中的下限值通常会出现…@DanielMöller我通过填充大小为

（B，C，U）

的初始空

numpy

数组来形成训练验证和测试批，如下所示：

numpy.empty（shape=（B，C，U），dtype=int）

。它的

dtype

是

int64

。至于模型的其余部分，我不确定如何执行

int64

，因为没有任何参数。此外，错误语句似乎提到错误具体发生在模型的第一层。