用于文本分类摘要的 CNN 模型，不显示输出形状和未构建的参数

Question

我正在尝试创建一个 CNN 模型，用于基于带有 ELMo 嵌入的推文数据的文本分类。在编译之前构建模型后，我将发布模型摘要，但模型摘要显示 0 个参数、0 个可训练参数和 0 个不可训练参数。我认为问题可能在于输入形状或缺少填充，但不确定如何继续。这是我实现的代码。

from sklearn.model_selection import train_test_split

x = seeker_df[['tweet']]
y = seeker_df['BinaryNumTarget']

#splitting into validation and test - 85% of dataset if train and validation, 15% for test
x_train_val, x_test, y_train_val, y_test = train_test_split(x,
                                                            y, 
                                                            test_size =0.15,
                                                            stratify = y, # sampling used to ensure class distribution
                                                            random_state = 42)

#splitting into train and val - 70% for training, 15% for validation
x_train, x_val, y_train, y_val = train_test_split(x_train_val, 
                                                  y_train_val, 
                                                  test_size =0.1765,
                                                  stratify = y_train_val, 
                                                  random_state=42)
#package installation 
from keras.models import Sequential 
from keras.layers import Conv1D, GlobalMaxPooling1D, Dense
from keras.preprocessing.sequence import pad_sequences
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from keras.callbacks import EarlyStopping

#setting up parameters
no_of_filters = 250
kernel_size = 3
hidden_dims = 250
batch_size = 32
epochs = 2
early_stopping = EarlyStopping(monitor ='val_loss', patience = 10)

#obtaining elmo emmbedding
elmo = hub.KerasLayer("https://tfhub.dev/google/elmo/2", 
                      trainable=True,
                      name = 'elmo_embedding',
                      input_shape=[],
                     dtype=(tf.string))
embedding = tf.keras.layers.Lambda(elmo)

model = Sequential()

model.add(embedding)

model.add(Conv1D(no_of_filters, kernel_size, activation ='relu'))

model.add(GlobalMaxPooling1D())

model.add(Dense(hidden_dims, activation = 'relu'))

model.add(Dense(1, activation = 'sigmoid'))

model.summary()

这是我目前获得的模型摘要。任何帮助将不胜感激。我知道纪元和提前停止目前没有意义，但首先要运行低纪元来进行测试。

Model: "sequential_5"
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━┓
┃ Layer (type)                         ┃ Output Shape                ┃         Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━┩
│ lambda_3 (Lambda)                    │ ?                           │     0 (unbuilt) │
├──────────────────────────────────────┼─────────────────────────────┼─────────────────┤
│ conv1d_3 (Conv1D)                    │ ?                           │     0 (unbuilt) │
├──────────────────────────────────────┼─────────────────────────────┼─────────────────┤
│ global_max_pooling1d_3               │ ?                           │               0 │
│ (GlobalMaxPooling1D)                 │                             │                 │
├──────────────────────────────────────┼─────────────────────────────┼─────────────────┤
│ dense_6 (Dense)                      │ ?                           │     0 (unbuilt) │
├──────────────────────────────────────┼─────────────────────────────┼─────────────────┤
│ dense_7 (Dense)                      │ ?                           │     0 (unbuilt) │
└──────────────────────────────────────┴─────────────────────────────┴─────────────────┘
 Total params: 0 (0.00 B)
 Trainable params: 0 (0.00 B)
 Non-trainable params: 0 (0.00 B)

Answer 1

我对您的代码做了一些更改。为了保持预训练的 ELMo 模型固定， 我已将其可训练参数设置为 False。我还使用 tf.keras 添加 层到顺序模型并将 ELMo 输出重塑为 3D 格式， 与 Conv1D 层兼容。这些改变使得代码 操作。详细查看更新后的代码，请参阅 要点.