Python 仅使用数据集的第一个样本进行训练的模型

我正在培训以下模型：

model = tf.keras.Sequential([
    tf.keras.layers.Embedding(input_dim=30, output_dim=64, mask_zero=True),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(units=1024)),
    tf.keras.layers.Dense(128, activation="sigmoid"),
    tf.keras.layers.Dense(10, activation="linear")
])

这个网络处理文本，因此我通过将每个字母转换为数值，将数据集中的每个字符串转换为numpy数组：

def converter(fen):
    normal_list = []

    for letter in fen:
        if letter == "/" or letter == " " or letter == "-":
            normal_list.append(0)
        elif letter == "p":
            normal_list.append(1)
        elif letter == "P":
            normal_list.append(2)
        elif letter == "n":
            normal_list.append(3)
        elif letter == "N":
            normal_list.append(4)
        elif letter == "b":
            normal_list.append(5)
        elif letter == "B":
            normal_list.append(6)
        elif letter == "r":
            normal_list.append(7)
        elif letter == "R":
            normal_list.append(8)
        elif letter == "q":
            normal_list.append(9)
        elif letter == "Q":
            normal_list.append(10)
        elif letter == "k":
            normal_list.append(11)
        elif letter == "K":
            normal_list.append(12)
        elif letter == "a":
            normal_list.append(13)
        elif letter == "b":
            normal_list.append(14)
        elif letter == "c":
            normal_list.append(15)
        elif letter == "d":
            normal_list.append(16)
        elif letter == "e":
            normal_list.append(17)
        elif letter == "f":
            normal_list.append(18)
        elif letter == "g":
            normal_list.append(19)
        elif letter == "h":
            normal_list.append(20)
        elif letter == "1":
            normal_list.append(21)
        elif letter == "2":
            normal_list.append(22)
        elif letter == "3":
            normal_list.append(23)
        elif letter == "4":
            normal_list.append(24)
        elif letter == "5":       
            normal_list.append(25) 
        elif letter == "6":
            normal_list.append(26)
        elif letter == "7":
            normal_list.append(27)
        elif letter == "8":
            normal_list.append(28)
        elif letter == "9":
            normal_list.append(29)
        else:
            normal_list.append(0)
    
    return np.array(normal_list, ndmin=2).astype(np.float32)
    # I used ndmin = 2 because the embedding layer turns it into ndmin = 3

然后，我导入数据集进行训练，并转换样本：

x_set = []
y_set = []

for position in df["position"]:
    x_set.append(cvt.converter(position))

len（x_集）

是950，

x_集[0]。shape

是（1，？）其中？在50到70之间变化

关于

y_集

，我使用了：

for a in range(len(df["position"])):
    y_set.append(np.array([
        df["Pawns"][a], df["Knights"][a], df["Bishops"][a], df["Rooks"][a],
        df["Queens"][a], df["Mobility"][a], df["King"][a], df["Threats"][a],
        df["Passed"][a], df["Space"][a]
    ], ndmin=2)) # If I don't use ndmin = 2 here I get ValueError: Data cardinality is ambiguous

它的透镜也是950

当我调用

model.fit（x\u集，y\u集，epochs=10）

模型只使用一个样本来训练网络：

Epoch 1/10
1/1 [==============================] - 19s 19s/step - loss: 0.2291 - mae: 0.4116
Epoch 2/10
1/1 [==============================] - 3s 3s/step - loss: 0.1645 - mae: 0.3302
Epoch 3/10
1/1 [==============================] - 3s 3s/step - loss: 0.0764 - mae: 0.1982
Epoch 4/10
1/1 [==============================] - 3s 3s/step - loss: 1.4347 - mae: 1.0087
Epoch 5/10
1/1 [==============================] - 3s 3s/step - loss: 0.0038 - mae: 0.0461
Epoch 6/10
1/1 [==============================] - 3s 3s/step - loss: 0.0532 - mae: 0.1780
Epoch 7/10
1/1 [==============================] - 3s 3s/step - loss: 0.0597 - mae: 0.1931
Epoch 8/10
1/1 [==============================] - 3s 3s/step - loss: 0.0522 - mae: 0.1814
Epoch 9/10
1/1 [==============================] - 3s 3s/step - loss: 0.0375 - mae: 0.1583
Epoch 10/10
1/1 [==============================] - 3s 3s/step - loss: 0.0252 - mae: 0.1432

---

它不应该使用所有950个x_集样本吗？这段代码有什么问题？

这一行表示它是在一批而不是一个样本上进行培训：

1/1 [==============================] - 19s 19s/step - loss: 0.2291 - mae: 0.4116

我相信Keras中的默认批量大小是32。Keras嵌入层需要整数，而不是浮点数，并且您使用的维度太多，因此您应该在转换器中更改这一行：

返回np.array（normal_list，ndmin=2）.astype（np.float32）

为此：

返回np.array（普通列表）

您希望每个训练样本具有（？）的形状，在哪里？你的情况是50比70。您希望每个目标的形状为（10），因为您的模型将从其最后一个密集层输出10个值。结合样本数量，您希望

x_集

的形状为

（950，？）和
y_集
的形状为
（950，10）
。为了避免问题，您可能应该将所有样本填充为相同的大小，而不是在50到70之间变化

您的模型需要以下输入：

>>model.input\u形状
（没有，没有）

您的
model.summary（）
如下所示（第一个
None
维度是批次大小，在您的情况下是950）：

模型：“顺序”
_________________________________________________________________
层（类型）输出形状参数
=================================================================
嵌入_2（嵌入）（无，无，64）1920
_________________________________________________________________
双向（双向（无，2048）8921088
_________________________________________________________________
稠密的（稠密的）（无，128）262272
_________________________________________________________________
密集型_1（密集型）（无，10）1290
=================================================================
总参数：9186570
可培训参数：9186570
不可训练参数：0
_________________________________________________________________

简言之，我相信您正在将整个训练集嵌入到一个样本中。
模式是在完整数据集上进行训练，即如果需要，可以使用10次以上的训练，然后使用批量大小。我不认为只使用一个样本，您注意到了这一点吗？
1
这里指的是一个批次，而不是一个样本；请参阅