Question

我想提供以下形状的神经网络输入：每个训练条目都是尺寸为700x10的2D阵列。共有204个培训条目。标签只是大小为204（二进制输出）的一维数组

我尝试使用Dense图层：

model = Sequential()
model.add(Dense(300, activation='relu', input_shape=(700, 10)))
model.add(Dense(1, activation='sigmoid'))

但后来我得到了以下错误（与第一层的input_shape无关，但在输出验证期间）：

ValueError: Error when checking target: expected dense_2 to have 3 dimensions, but got array with shape (204, 1)

204 - 培训数据量。

堆栈跟踪：

    model.fit(xTrain, yTrain, epochs=4, batch_size=6)
  File "keras\models.py", line 867, in fit
    initial_epoch=initial_epoch)
  File "keras\engine\training.py", line 1522, in fit
    batch_size=batch_size)
  File "keras\engine\training.py", line 1382, in _standardize_user_data
    exception_prefix='target')
  File "keras\engine\training.py", line 132, in _standardize_input_data

调试Keras代码时发现的内容：

在培训前验证期间失败。它验证输出数组。

根据神经网络结构，第一个密集层以某种方式产生700,1维输出，之后失败，因为我的输出只是一维数组，其中有204个。

我如何克服这个问题？我试图在Dense（）层之后添加Flatten（），但它可能会以一种糟糕的方式影响准确性：我想保留特定于700个数组的一个点的信息。

Answer 1

Dense图层仅适用于一个维度，即最后一个维度。

如果您向其输入(700,10)，则会输出(700,units)。检查您的model.summary()以查看此内容。

一个简单的解决方案是在应用密集之前展平您的数据：

model.add(Flatten(input_shape=(700,10)))
model.add(Dense(300,...))
model.add(Dense(1,...))

这样，Dense图层将看到一个简单的(7000,)输入。

现在，如果您确实希望模型分别理解这两个维度，那么您应该尝试更详细的结构。做什么将取决于您的数据是什么以及您想要做什么，您希望模型如何理解它等等。

使用自定义尺寸输入tensorflow或keras神经网络输入

1 个答案: