무엇 않는 오류 (약속)에 처리되지 않는 오류 : 데이터 세트에 의해 생성 된 특징 데이터가 필요한 입력 키 'dense_Dense1_input를'부족하다. 평균? 이 문제를 해결하기 위해 다른 입력 모양과 다른 배치 크기와 같은 여러 가지를 시도했지만 아무것도 작동하지 않는 것 같습니다. 484 개의 기능과 30 개의 행이있는 데이터 입력과 1 개의 열과 30 개의 행으로 설정된 레이블이 있습니다.
정확한 오류는 다음과 같습니다.
Uncaught (in promise) Error: The feature data generated by the dataset lacks the required input key 'dense_Dense1_input'.
at new e (errors.ts:48)
at Wd (training_dataset.ts:277)
at Pd (training_dataset.ts:222)
at training_dataset.ts:421
at common.ts:14
at Object.next (common.ts:14)
at o (common.ts:14)
내 코드
<html>
<head>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"></script>
<title>test</title>
</head>
<body>
<script>
const csvUrlData = '/image_data.csv';
const csvUrlLabel = '/number_data.csv';
const headers_image = Array.from(Array(484).keys());
const headers_image_string = headers_image.map(String);
async function run() {
const csvDataset = tf.data.csv(
csvUrlData,{
hasHeader: false,
columnNames: headers_image_string
});
const csvLabelset = tf.data.csv(
csvUrlLabel, {
columnConfigs: {
label_numbers: {
isLabel: true
}
}
}
);
const flattenedDataset = tf.data.zip({xs: csvDataset, ys: csvLabelset}).batch(5);
const model = tf.sequential();
model.add(tf.layers.dense({
inputShape: [484],
units: 1
}));
model.compile({
optimizer: tf.train.sgd(0.00000001),
loss: 'meanSquaredError'
});
return await model.fitDataset(flattenedDataset, {
epochs: 10,
callbacks: {
onEpochEnd: async (epoch, logs) => {
console.log(epoch + ':' + logs.loss);
}
}
});
}
run();
</script>
</body>
</html>
isLabel속성은 사용할 수 없습니다해야 labelDataset데이터가 이후에 압축되기 때문이다. 그러면 레이블에 대한 중첩 된 개체가 만들어집니다. map사용해야하는 경우 연산자 는의 ys속성 만 검색하는 데 사용해야 합니다 labelDataset.
const csvDataset = tf.data.csv(
csvUrlData,{
hasHeader: false,
columnNames: headers_image_string
});
const csvLabelset = tf.data.csv(
csvUrlLabel, {
columnConfigs: {
label_numbers: {
isLabel: true
}
}
}
);
const flattenedcsvDataset =
csvDataset
.map((data) =>
{
return Object.values(data)
})
const flattenedcsvLabelset =
csvDataset
.map((data) =>
{
return Object.values(data)
})
const flattenedDataset = tf.data.zip({xs: flattenedcsvDataset, ys: flattenedcsvLabelset}).batch(5);
은 flattenedDataset다음 훈련을 위해 사용할 수 있습니다.
const csvUrl =
'https://storage.googleapis.com/tfjs-examples/multivariate-linear-regression/data/boston-housing-train.csv';
(async function run() {
const csvDataset = tf.data.csv(
csvUrl, {
columnConfigs: {
/* medv: {
isLabel: true
}*/
}
});
// Number of features is the number of column names minus one for the label
// column.
const numOfFeatures = (await csvDataset.columnNames()).length ;
// Prepare the Dataset for training.
const flattenedDataset =
csvDataset
.map((data) =>
{
return Object.values(data)
})
const zip = tf.data.zip({xs: flattenedDataset, ys: flattenedDataset}).batch(10)
// Define the model.
const model = tf.sequential();
model.add(tf.layers.dense({
inputShape: [numOfFeatures],
units: numOfFeatures
}));
model.compile({
optimizer: tf.train.sgd(0.000001),
loss: 'meanSquaredError'
});
// Fit the model using the prepared Dataset
return model.fitDataset(zip, {
epochs: 10,
callbacks: {
onEpochEnd: async (epoch, logs) => {
console.log(epoch + ':' + logs.loss);
}
}
});
})()<html>
<head>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"></script>
<title>test</title>
</head>
<body>
<script>
</script>
</body>
</html>이 기사는 인터넷에서 수집됩니다. 재 인쇄 할 때 출처를 알려주십시오.
침해가 발생한 경우 연락 주시기 바랍니다[email protected] 삭제
몇 마디 만하겠습니다