Question

我正在尝试用Keras训练DNN。该模型在此定义：

model = Sequential()
model.add(Dense(2050, input_shape=(2050, 75), activation='relu'))
model.add(Dense(1024, activation='relu'))
model.add(Dense(1024, activation='relu'))
model.add(Dense(1024, activation='relu'))
model.add(Dense(75, activation='sigmoid'))

成本函数是mse。这里的想法是使用一组尺寸为2050 * 75的3000张图像进行训练，这些图像基本上是从1025 * 75图像中提取的两个不同的特征，以便在输出中获得尺寸为1025 * 75的3000图像，这是某种形式表示原始图像。

因此，输入是（3000,2050,75）张量，而输出维度是（3000,1025,75）。

我可以看到为什么Keras给我以下错误：

ValueError：检查目标时出错：期望dense_5有形状（无，2050,75）但是有形状的数组（3000,1025,75）

必须有办法避免此错误，可能是通过重新定义DNN尺寸或图层。你有什么建议吗？感谢。

编辑：根据要求，这是完整的代码。

X = train_set
Y = m
[n_samples, n_freq, n_time] = X.shape

model = Sequential()
model.add(Dense(n_freq, input_shape=(n_freq, n_time), activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_time, activation='sigmoid'))

model.summary()
model.compile(optimizer='rmsprop',loss='mse',metrics=['mae','accuracy'])
model.fit(np.abs(X), np.abs(Y), epochs=n_epochs, batch_size=batch_size)
score = model.evaluate(np.abs(X), np.abs(Y), batch_size = batch_size)

Answer 1

因为，您不能使用reshape层在内部重新整形数组，因为新数组的总大小必须保持不变。我建议使用flatten层来平衡张量。但首先，你需要重塑y：

y = y.reshape(-1, 1025*75)

更新后的模型如下所示：

model = Sequential()
model.add(Dense(n_freq, input_shape=(n_freq, n_time), activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Flatten())
model.add(Dense(1025*75, activation='sigmoid'))

model.summary()
model.compile(optimizer='rmsprop',loss='mse',metrics=['mae','accuracy'])
model.fit(np.abs(X), np.abs(y), epochs=n_epochs, batch_size=batch_size)
#score = model.evaluate(np.abs(X), np.abs(Y), batch_size = batch_size)

之后，你可以重塑y_pred回到（-1,1015,75）形状：

y_pred = y_pred.reshape(-1,1015,75)

Python：无法在Keras中训练回归模型

1 个答案: