Question

我正在尝试训练这个卷积神经网络，但无法弄清楚我的最后一层是什么问题。

model = Sequential()
model.add(Conv1D(50, kernel_size=(1),
                 activation='relu',
                 input_dim=50))
model.add(Dense(32))
model.add(Dense(1))
model.summary()
model.compile(loss=keras.losses.mean_squared_error,
              optimizer=keras.optimizers.adam())

model.fit(X_train, y_train,
          batch_size=940,
          epochs=10,
          verbose=1,
          validation_data=(X_test, y_test))

型号：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_26 (Conv1D)           (None, None, 50)          2550      
_________________________________________________________________
dense_38 (Dense)             (None, None, 32)          1632      
_________________________________________________________________
dense_39 (Dense)             (None, None, 1)           33        
=================================================================
Total params: 4,215.0
Trainable params: 4,215
Non-trainable params: 0.0
_________________________________________________________________

我总是收到以下错误消息：

ValueError：检查模型目标时出错：期望dense_39有3个维度，但得到的数组有形状（940,1）

我怀疑问题是，对于最后一层，我只有一个输出节点，因此输出尺寸减少到两个。

Answer 1

1D卷积需要(BatchSize,length,channels)形式的输入 Keras会将其报告为(None,length,channels)。

因此，您需要相应地传递input_shape。如果数据中只有一个通道，则需要将其定义为：

model.add(Conv1D(50, kernel_size=(1),
             activation='relu',
             input_shape=(50,1)))

并确保您的X_train也遵循这一点，形状像(NumberOfSamples, 50, 1)。

这将输出形状为(NumberOfSamples,50,50)的张量 - 第一个50来自进入的长度，第二个来自图层中定义的50个过滤器。

之后，密集层通常会出现扁平化数据，而不是2D数据。

您可以像使用它们一样使用它们，但它们会保留额外的尺寸，而这似乎不是您的目的。

如果你最后只想要一个课程（我猜测那个），你需要在使用Dense图层之前展平你的数据：

model.add(Flatten()) #this will transform (None, 50,50) into (None,2500)
model.add(Dense(32))
model.add(Dense(1))

然后您的输出确实会有(None,1)形状，与Y_train (940,1)

相匹配

检查模型目标时出错：预期dense_39有3个维度，但得到的形状为数组（940,1）

1 个答案: