Python 使用Keras进行训练时的Tensorflow无效辩论（指数）

我试图在一些数据上训练LSTM网络，不幸的是，我一直遇到以下错误：

InvalidArgumentError:index[]=不在[04704]中

对180596个样本进行训练，对45149个样本进行验证
纪元1/1
---------------------------------------------------------------------------
InvalidArgumentError回溯（最后一次最近调用）
在（）
14个时代=1，
15批次尺寸=128，
--->16验证（单位分割=0.2）
c:\program files\python3x64\lib\site packages\keras\engine\training.py in fit（self、x、y、批大小、历元、详细、回调、验证分割、验证数据、混洗、类权重、样本权重、初始历元、每个历元的步骤、验证步骤、**kwargs）
1040初始纪元=初始纪元，
1041步/u历元=步/u历元，
->1042验证步骤=验证步骤）
1043
1044 def评估（自我，x=无，y=无，
c:\program files\python3x64\lib\site packages\keras\engine\training\u arrays.py in-fit\u循环（模型、f、ins、out\u标签、批大小、历元、详细信息、回调、val\u f、val\u-ins、shuffle、回调度量、初始历元、每个历元的步骤、验证步骤）
197 ins_批次[i]=ins_批次[i].toarray（）
198
-->199输出=f（输入/输出批次）
200如果不存在（输出，列表）：
201出局=[出局]
c:\program files\python3x64\lib\site packages\keras\backend\tensorflow\u backend.py in\uuuu\u调用（self，输入）
2659返回自。\u遗留\u调用（输入）
2660
->2661返回自呼（输入）
2662其他：
2663如果py_有（输入中x的张量为x）：
c:\program files\python3x64\lib\site packages\keras\backend\tensorflow\u backend.py in\u调用（self，inputs）
2629 symbol\u VAL，
（第2630次会议）
->2631 fetched=self.\u callable\u fn（*array\u vals）
2632获取的返回[：len（自输出）]
2633
c:\program files\python3x64\lib\site packages\tensorflow\python\client\session.py在调用中（self，*args）
1452其他：
1453返回tf_session.tf_DeprecatedSessionRunCallable(
->1454 self.\u session.\u session，self.\u handle，args，status，None）
1455
1456定义（自我）：
c:\program files\python3x64\lib\site packages\tensorflow\python\framework\errors\u impl.py in\uuuuuuuu exit\uuuuuuu（self，type\u arg，value\u arg，traceback\u arg）
517没有，没有，
518 compat.as_text（c_api.TF_消息（self.status.status）），
-->519 c_api.TF_GetCode（self.status.status））
520#从内存中删除基础状态对象，否则它将保持活动状态
521#由于以下原因，在回溯中有一个状态参考：
InvalidArgumentError:索引[62,0]=15757不在[04704]中
[[Node:embedding_15/embedding_lookup=GatherV2[Taxis=DT_INT32，Tindices=DT_INT32，Tparams=DT_FLOAT，_class=[“loc:@training_14/RMSprop/Assign_1”]，[u device=“/job:localhost/replica:0/任务：0/设备：CPU:0”]（embedding_15/embeddings/reads，embedding_15/Cast，embedding_15/Cast，training_14/渐变/embedding_lookup/grade/concat/axis）]]

我试图找到一个解决方案，但没有成功。
我使用的数据是一个热编码和规范化的网络流。
至少在NaN值和无穷大值方面，我至少应该是好的。 以下是输入数据的概览：

[14]中的

打印（流和形状）
打印（类型（流动和流动））
打印（类型（流和[0]））
(225745, 4704)

这就是网络本身：

从keras.models导入
从keras.layers导入稠密、嵌入
从keras.layers导入LSTM
模型=顺序（）
添加模型（嵌入（流与形状[-1]，32））
模型添加（LSTM（32））
model.add（密集型（1，激活='sigmoid'））
model.compile（优化器='rmsprop'，
损失='binary\u交叉熵'，
指标=['acc']）
历史=模型.fit（流量、附件标签、，
纪元=1，
批次大小=128，
验证（拆分=0.2）

根据我所读到的，tensorflow中的vocab大小可能有问题，但我不确定我是否可以改变Keras层中的vocab大小

如果有人想仔细看看，我已经组装了一个

非常感谢您的帮助，谢谢

解决方案：
如前所述，我是将功能的数量传递到嵌入层，而不是词汇表大小（）。这就是我如何将代码更新为工作示例的方法：

#查找最大词汇量
voc_size=（flows_scaled.max（）+1）.astype（'int64'）
打印（voc_尺寸）
#建立模型
从keras.models导入顺序
从keras.layers导入稠密、嵌入
从keras.layers导入LSTM
模型=顺序（）
模型添加（嵌入（voc_大小，32））
模型添加（LSTM（32））
model.add（密集型（1，激活='sigmoid'））
model.compile（优化器='rmsprop'，
损失='binary\u交叉熵'，
指标=['acc']）
历史=模型.fit（流量缩放、enc标签、，
纪元=1，
批次大小=128，
验证（拆分=0.2）

嵌入层希望第一个参数是词汇表的大小，即

但是您将功能的数量作为词汇表大小传递。您可以做的是，在流中找到最大数量，然后将最大数量加上1传递给嵌入层

voc_size = flows_nd.max()+1

model = Sequential()
model.add(Embedding(voc_size, 32))