Python keras RNN VALUERROR:不支持任何值
我正在用GRU做一个GAN模型 当我训练模型时，我得到：“ValueError:无不支持的值” 在运行train_on_batch（）函数时引发错误 目标是y2（数据如下所示。[[0.1.][0.1.][0.1.][0.1.]] 我更改了y2的数据类型，但不起作用。 这是我的代码和错误消息 我修改了这个代码 ->>Python keras RNN VALUERROR:不支持任何值,python,keras,rnn,Python,Keras,Rnn,我正在用GRU做一个GAN模型 当我训练模型时，我得到：“ValueError:无不支持的值” 在运行train_on_batch（）函数时引发错误 目标是y2（数据如下所示。[[0.1.][0.1.][0.1.][0.1.]] 我更改了y2的数据类型，但不起作用。 这是我的代码和错误消息 我修改了这个代码 ->> --------------------------------------------------------------- ValueError回溯（最近一次调用上次） 在（）
---------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
24发生器，鉴别器，GAN=build_GAN（）
25
--->26列（xp列，nb列=100，plt列=25，批量=32）
27映射（添加、性能、一级性能（xp测试、xn测试））
28
列车内（x列车、nb时代、plt frq、批量大小）
28 y2[：，1]=0
29使可训练（鉴别器，假）
--->30 g\u损耗=一批上一列（噪声系数，y2）
31损失[“g”]。追加（g_损失）
32
//anaconda/lib/python3.5/site-packages/keras/engine/training.py（自身、x、y、样品重量、等级重量）
1562其他：
1563英寸=x+y+样本重量
->1564自我制作训练功能（）
1565输出=自列车功能（ins）
1566如果len（输出）==1：
//anaconda/lib/python3.5/site-packages/keras/engine/training.py in_make_train_函数（self）
935自身收集的可训练重量，
936自我约束，
-->937.总损耗）
938更新=自我更新+培训更新
939#获取损失和指标。在每次调用时更新权重。
//获取更新中的anaconda/lib/python3.5/site-packages/keras/optimizers.py（self、params、constraints、loss）
418
419用于拉链中的p、g、m、v（参数、梯度、ms、vs）：
-->420 m_t=（self.beta_1*m）+（1.-self.beta_1）*g
421 v_t=（自β2*v）+（1.-自β2）*K平方（g）
422 p_t=p-lr_t*m_t/（K.sqrt（v_t）+self.epsilon）
//二进制包装中的anaconda/lib/python3.5/site-packages/tensorflow/python/ops/math_ops.py（x，y）
881操作名称\范围（无，操作名称，[x，y]）作为名称：
882如果不存在（y，稀疏张量，稀疏传感器）：
-->883 y=ops.convert_to_tensor（y，dtype=x.dtype.base_dtype，name=“y”）
884返回函数（x，y，name=name）
885
//convert_to_tensor中的anaconda/lib/python3.5/site-packages/tensorflow/python/framework/ops.py（值、数据类型、名称、首选数据类型）
649 name=名称，
650首选类型=首选类型，
-->651 as_ref=False）
652
653
//内部的anaconda/lib/python3.5/site-packages/tensorflow/python/framework/ops.py\u convert\u to\u tensor（值、数据类型、名称、as\u ref、首选数据类型）
714
715如果ret为无：
-->716 ret=conversion\u func（值，dtype=dtype，name=name，as\u ref=as\u ref）
717
718如果未实施ret：
//anaconda/lib/python3.5/site-packages/tensorflow/python/framework/constant_op.py in_constant_tensor_conversion_函数（v，dtype，name，as_ref）
174 as_ref=False）：
175=作为参考
-->176返回常量（v，dtype=dtype，name=name）
177
178
//anaconda/lib/python3.5/site-packages/tensorflow/python/framework/constant_op.py in constant（值、数据类型、形状、名称、验证形状）
163张量_值=attr_值_pb2.AttrValue（）
164 tensor_value.tensor.CopyFrom(
-->165 tensor\u util.make\u tensor\u proto（值，dtype=dtype，shape=shape，verify\u shape=verify\u shape））
166 dtype\u value=attr\u value\u pb2.AttrValue（type=tensor\u value.tensor.dtype）
167常数张量=g.create\u op(
//make_tensor_proto中的anaconda/lib/python3.5/site-packages/tensorflow/python/framework/tensor_util.py（值、数据类型、形状、验证形状）
358其他：
359如果值为无：
-->360提升值错误（“不支持任何值”）
361#如果提供了dtype，则强制numpy数组为该类型
362#如有可能提供。
ValueError:不支持任何值。
def build_GAN():
######### Build Generative model ... ##########
g_input = Input(shape=[100])
H = Embedding(100,256)(g_input)
H = GRU(256, dropout=0.2, recurrent_dropout=0.2)(H)
g_V = Dense(maxlen, activation='sigmoid')(H)
generator = Model(g_input,g_V)
generator.compile(loss='binary_crossentropy', optimizer='adam')
######## Build Discriminative model ... ##########
d_input = Input(shape=[maxlen])
H = Embedding(max_features, 256)(d_input)
H = GRU(256, dropout=0.2, recurrent_dropout=0.2)(H)
d_V = Dense(2, activation='softmax')(H)
discriminator = Model(d_input,d_V)
discriminator.compile(loss='categorical_crossentropy', optimizer='adam')
make_trainable(discriminator, False)
########### Build stacked GAN model ##############
gan_input = Input(shape=[100])
H = generator(gan_input)
gan_V = discriminator(H)
GAN = Model(gan_input, gan_V)
GAN.compile(loss='categorical_crossentropy', optimizer='adam')
return generator, discriminator, GAN
def train_GAN(x_train, nb_epoch, plt_frq, batch_size):
print('Train...')
# set up loss storage vector
losses = {"d":[], "g":[]}
for e in tqdm(range(nb_epoch)):
# X : real data + fake data
trainidx = random.sample(range(0,x_train.shape[0]), batch_size)
review_batch = x_train[trainidx]
noise_gen = np.random.uniform(0,1,size=[batch_size,100])
generated_reviews = generator.predict(noise_gen)
x = np.concatenate((review_batch, generated_reviews))
# y : [0,1] = positive data, [1,0] = negative data
y = np.zeros([2*batch_size,2])
y[0:batch_size,1] = 1
y[batch_size:,0] = 1
make_trainable(discriminator,True)
d_loss = discriminator.train_on_batch(x,y)
losses["d"].append(d_loss)
# train Generator-Discriminator stack on input noise to non-generated output class
noise_tr = np.random.uniform(0,1,size=[batch_size,100])
y2 = np.zeros([batch_size,2])
y2[:,1] = 1
make_trainable(discriminator,False)
g_loss = GAN.train_on_batch(noise_tr, y2)
losses["g"].append(g_loss)
---------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-43-fc66cd2b8331> in <module>()
24 generator, discriminator, GAN = build_GAN()
25
---> 26 train_GAN(xp_train, nb_epoch=100, plt_frq=25, batch_size=32)
27 map(add, performance,one_class_performance(xp_test, xn_test))
28
<ipython-input-42-b8c2dbe7b1c6> in train_GAN(x_train, nb_epoch, plt_frq, batch_size)
28 y2[:,1] = 0
29 make_trainable(discriminator,False)
---> 30 g_loss = GAN.train_on_batch(noise_tr, y2)
31 losses["g"].append(g_loss)
32
//anaconda/lib/python3.5/site-packages/keras/engine/training.py in train_on_batch(self, x, y, sample_weight, class_weight)
1562 else:
1563 ins = x + y + sample_weights
-> 1564 self._make_train_function()
1565 outputs = self.train_function(ins)
1566 if len(outputs) == 1:
//anaconda/lib/python3.5/site-packages/keras/engine/training.py in _make_train_function(self)
935 self._collected_trainable_weights,
936 self.constraints,
--> 937 self.total_loss)
938 updates = self.updates + training_updates
939 # Gets loss and metrics. Updates weights at each call.
//anaconda/lib/python3.5/site-packages/keras/optimizers.py in get_updates(self, params, constraints, loss)
418
419 for p, g, m, v in zip(params, grads, ms, vs):
--> 420 m_t = (self.beta_1 * m) + (1. - self.beta_1) * g
421 v_t = (self.beta_2 * v) + (1. - self.beta_2) * K.square(g)
422 p_t = p - lr_t * m_t / (K.sqrt(v_t) + self.epsilon)
//anaconda/lib/python3.5/site-packages/tensorflow/python/ops/math_ops.py in binary_op_wrapper(x, y)
881 with ops.name_scope(None, op_name, [x, y]) as name:
882 if not isinstance(y, sparse_tensor.SparseTensor):
--> 883 y = ops.convert_to_tensor(y, dtype=x.dtype.base_dtype, name="y")
884 return func(x, y, name=name)
885
//anaconda/lib/python3.5/site-packages/tensorflow/python/framework/ops.py in convert_to_tensor(value, dtype, name, preferred_dtype)
649 name=name,
650 preferred_dtype=preferred_dtype,
--> 651 as_ref=False)
652
653
//anaconda/lib/python3.5/site-packages/tensorflow/python/framework/ops.py in internal_convert_to_tensor(value, dtype, name, as_ref, preferred_dtype)
714
715 if ret is None:
--> 716 ret = conversion_func(value, dtype=dtype, name=name, as_ref=as_ref)
717
718 if ret is NotImplemented:
//anaconda/lib/python3.5/site-packages/tensorflow/python/framework/constant_op.py in _constant_tensor_conversion_function(v, dtype, name, as_ref)
174 as_ref=False):
175 _ = as_ref
--> 176 return constant(v, dtype=dtype, name=name)
177
178
//anaconda/lib/python3.5/site-packages/tensorflow/python/framework/constant_op.py in constant(value, dtype, shape, name, verify_shape)
163 tensor_value = attr_value_pb2.AttrValue()
164 tensor_value.tensor.CopyFrom(
--> 165 tensor_util.make_tensor_proto(value, dtype=dtype, shape=shape, verify_shape=verify_shape))
166 dtype_value = attr_value_pb2.AttrValue(type=tensor_value.tensor.dtype)
167 const_tensor = g.create_op(
//anaconda/lib/python3.5/site-packages/tensorflow/python/framework/tensor_util.py in make_tensor_proto(values, dtype, shape, verify_shape)
358 else:
359 if values is None:
--> 360 raise ValueError("None values not supported.")
361 # if dtype is provided, forces numpy array to be the type
362 # provided if possible.
ValueError: None values not supported.