如何为TFLearn重塑输入数据？适配框架的数据形状调整方法

我懂你现在的困扰——你的train_x现在输出形状是(8,)，这说明它是个一维数组，每个元素才是你需要的(1300,13)的MFCC特征矩阵，但TFLearn不管是做序列模型还是全连接模型，都需要更规整的多维数组格式。

问题根源 #

你用as_matrix()（现在pandas更推荐用to_numpy()）提取数据时，得到的是一个包含子数组的一维numpy数组，而不是直接的三维数组。TFLearn需要的输入形状通常是(样本数, 时间步长, 特征数)（针对RNN/LSTM这类序列模型）或者(样本数, 总特征数)（针对全连接模型）。

修正步骤 #

1. 替换已弃用的方法：先把as_matrix()换成to_numpy()，避免pandas抛出警告。
2. 堆叠成三维数组：用numpy.stack()把一维数组里的子数组堆叠成三维结构，这样就能得到TFLearn需要的形状。

完整修正代码 #

import os
import numpy as np
import pandas as pd

# 补充读取数据的步骤（你应该有这一步但没写出来）
data_path = os.path.dirname(os.path.realpath(__file__)) + '/../data/data.csv'
data = pd.read_csv(data_path)

train = data.sample(frac=0.8, random_state=200)
test = data.drop(train.index)

# 转换为三维数组：(样本数, 1300, 13)
train_x = np.stack(train['lowLevel.mfcc'].to_numpy())
test_x = np.stack(test['lowLevel.mfcc'].to_numpy())

print(train_x.shape)  # 现在会输出 (8, 1300, 13)

额外适配方案 #

如果你要做的是全连接网络，不需要保留序列结构，可以把三维数组展平成二维：

# 展平为(样本数, 1300*13)即(8, 16900)
train_x = train_x.reshape(train_x.shape[0], -1)
test_x = test_x.reshape(test_x.shape[0], -1)

这样处理后，你的数据就完全适配TFLearn的输入要求啦。

内容的提问来源于stack exchange，提问作者Vlady Veselinov