如何在Keras Python中将TF IDF矢量器与LSTM结合使用

我试图在Python的Keras库中使用LSTM来训练Seq2Seq模型。我想使用TF IDF向量表示语句作为模型的输入，并得到一个错误

X = ["Good morning", "Sweet Dreams", "Stay Awake"]
Y = ["Good morning", "Sweet Dreams", "Stay Awake"]

vectorizer = TfidfVectorizer()
vectorizer.fit(X)
vectorizer.transform(X)
vectorizer.transform(Y)
tfidf_vector_X = vectorizer.transform(X).toarray() #shape - (3,6)
tfidf_vector_Y = vectorizer.transform(Y).toarray() #shape - (3,6)
tfidf_vector_X = tfidf_vector_X[:, :, None] #shape - (3,6,1) since LSTM cells expects ndims = 3
tfidf_vector_Y = tfidf_vector_Y[:, :, None] #shape - (3,6,1)

X_train, X_test, y_train, y_test = train_test_split(tfidf_vector_X, tfidf_vector_Y, test_size = 0.2, random_state = 1)
model = Sequential()
model.add(LSTM(output_dim = 6, input_shape = X_train.shape[1:], return_sequences = True, init = 'glorot_normal', inner_init = 'glorot_normal', activation = 'sigmoid'))
model.add(LSTM(output_dim = 6, input_shape = X_train.shape[1:], return_sequences = True, init = 'glorot_normal', inner_init = 'glorot_normal', activation = 'sigmoid'))
model.add(LSTM(output_dim = 6, input_shape = X_train.shape[1:], return_sequences = True, init = 'glorot_normal', inner_init = 'glorot_normal', activation = 'sigmoid'))
model.add(LSTM(output_dim = 6, input_shape = X_train.shape[1:], return_sequences = True, init = 'glorot_normal', inner_init = 'glorot_normal', activation = 'sigmoid'))
adam = optimizers.Adam(lr = 0.001, beta_1 = 0.9, beta_2 = 0.999, epsilon = None, decay = 0.0, amsgrad = False)
model.compile(loss = 'cosine_proximity', optimizer = adam, metrics = ['accuracy'])
model.fit(X_train, y_train, nb_epoch = 100)

上面的代码抛出：

Error when checking target: expected lstm_4 to have shape (6, 6) but got array with shape (6, 1)

---

有人能告诉我出了什么问题以及如何解决吗

目前，您正在返回最后一层中维度6的序列。您可能希望返回维度1的序列以匹配目标序列。这里我不是100%确定，因为我对seq2seq模型没有经验，但至少代码是这样运行的。也许您可以看看上的seq2seq教程

除此之外，还有两点：当使用顺序API时，只需为模型的第一层指定一个

input\u形状

。另外，

LSTM

层的

output\u dim

参数已被弃用，应替换为

units

参数：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split

X = ["Good morning", "Sweet Dreams", "Stay Awake"]
Y = ["Good morning", "Sweet Dreams", "Stay Awake"]

vectorizer = TfidfVectorizer().fit(X)

tfidf_vector_X = vectorizer.transform(X).toarray()  #//shape - (3,6)
tfidf_vector_Y = vectorizer.transform(Y).toarray() #//shape - (3,6)
tfidf_vector_X = tfidf_vector_X[:, :, None] #//shape - (3,6,1) 
tfidf_vector_Y = tfidf_vector_Y[:, :, None] #//shape - (3,6,1)

X_train, X_test, y_train, y_test = train_test_split(tfidf_vector_X, tfidf_vector_Y, test_size = 0.2, random_state = 1)

from keras import Sequential
from keras.layers import LSTM

model = Sequential()
model.add(LSTM(units=6, input_shape = X_train.shape[1:], return_sequences = True))
model.add(LSTM(units=6, return_sequences=True))
model.add(LSTM(units=6, return_sequences=True))
model.add(LSTM(units=1, return_sequences=True, name='output'))
model.compile(loss='cosine_proximity', optimizer='sgd', metrics = ['accuracy'])

print(model.summary())

model.fit(X_train, y_train, epochs=1, verbose=1)

---

目前，您正在返回最后一层中维度6的序列。您可能希望返回维度1的序列以匹配目标序列。这里我不是100%确定，因为我对seq2seq模型没有经验，但至少代码是这样运行的。也许您可以看看上的seq2seq教程

除此之外，还有两点：当使用顺序API时，只需为模型的第一层指定一个

input\u形状

。另外，

LSTM

层的

output\u dim

参数已被弃用，应替换为

units

参数：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split

X = ["Good morning", "Sweet Dreams", "Stay Awake"]
Y = ["Good morning", "Sweet Dreams", "Stay Awake"]

vectorizer = TfidfVectorizer().fit(X)

tfidf_vector_X = vectorizer.transform(X).toarray()  #//shape - (3,6)
tfidf_vector_Y = vectorizer.transform(Y).toarray() #//shape - (3,6)
tfidf_vector_X = tfidf_vector_X[:, :, None] #//shape - (3,6,1) 
tfidf_vector_Y = tfidf_vector_Y[:, :, None] #//shape - (3,6,1)

X_train, X_test, y_train, y_test = train_test_split(tfidf_vector_X, tfidf_vector_Y, test_size = 0.2, random_state = 1)

from keras import Sequential
from keras.layers import LSTM

model = Sequential()
model.add(LSTM(units=6, input_shape = X_train.shape[1:], return_sequences = True))
model.add(LSTM(units=6, return_sequences=True))
model.add(LSTM(units=6, return_sequences=True))
model.add(LSTM(units=1, return_sequences=True, name='output'))
model.compile(loss='cosine_proximity', optimizer='sgd', metrics = ['accuracy'])

print(model.summary())

model.fit(X_train, y_train, epochs=1, verbose=1)

如上图所示，网络期望最后一层为输出层。您必须给出最后一层的尺寸作为输出尺寸

在您的情况下，它将是行数*1，如错误（6,1）所示是您的维度

在最后一层中将输出尺寸更改为1

使用keras，您可以设计自己的网络。因此，您应该负责使用输出层创建端隐藏层。

如上图所示，网络期望最后一层为输出层。您必须给出最后一层的尺寸作为输出尺寸

在您的情况下，它将是行数*1，如错误（6,1）所示是您的维度

在最后一层中将输出尺寸更改为1

---

使用keras，您可以设计自己的网络。因此，您应该负责使用输出层创建端隐藏层。

感谢您的解决方案。但是，即使在数据集大小为8000的情况下，模型的拟合速度也非常慢。你能不能给我一些建议，告诉我如何在小批量中运行它。谢谢你的解决方案。但是，即使在数据集大小为8000的情况下，模型的拟合速度也非常慢。你能不能给我一些建议，告诉我如何在小批量中运行它。