Question

嗨，我必须实现一个cnn，我是Keras和Tensorflow的新手，所以如果我犯了错误，我会道歉。

这就是我的所作所为：

数据集是一个numpy数组（23,4800000），＃number of audio tracks x #number of samples。

所以我将数据集拆分为火车（10,480000），验证（7,480000）和测试（6,480000）

沿着列的卷积过程，所以我必须重新整理输入：

X = np.expand_dims(train, axis=2)
Y = np.expand_dims(valid, axis=2)

第一部分cnn的代码是：

cnn = Sequential()
cnn.add(Conv1D(40, 80, input_shape=(4800000, 10)))
cnn.add(MaxPooling1D(pool_size=2))
cnn.add(Conv1D(40, 8000))
cnn.add(MaxPooling1D(pool_size=20))
cnn.add(Flatten())

cnn.summary()

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_1 (Conv1D)            (None, 4799921, 40)       32040     
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 2399960, 40)       0         
_________________________________________________________________
conv1d_2 (Conv1D)            (None, 2391961, 40)       12800040  
_________________________________________________________________
max_pooling1d_2 (MaxPooling1 (None, 119598, 40)        0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 4783920)           0         
=================================================================
Total params: 12,832,080
Trainable params: 12,832,080
Non-trainable params: 0
_______________________________

cnn.compile(loss='mean_squared_error', optimizer='adam')
cnn.fit(X,Y)

错误是：

ValueError: Error when checking input: expected conv1d_3_input to have shape (None, 4800000, 10) but got array with shape (4800000, 10, 1)

我真的不明白这意味着什么，请有人帮助我吗？

所以在这些日子里，我试图简化我的工作。

X_train，X_valid =（7,7500,1），7个曲目，7500个样本和1个频道

y_train，y_valid =（7,7500），对于7个轨道中的每一个，对应于任何样本中的概率值。

model = Sequential()

model.add(Conv1D(40, 80, activation='relu', input_shape=(7500,1)))
model.add(MaxPooling1D(pool_size=2))
model.add(Dropout(0.5))
model.add(Conv1D(40, 800 ,activation='relu'))
model.add(MaxPooling1D(pool_size=20))
model.add(Dropout(0.5))
model.compile(loss='mean_squared_error', 
              optimizer='sgd', 
              metrics=['accuracy'])
model.summary() 

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_112 (Conv1D)          (None, 7421, 40)          3240      
_________________________________________________________________
max_pooling1d_93 (MaxPooling (None, 3710, 40)          0         
_________________________________________________________________
dense_6 (Dense)              (None, 3710, 40)          1640       
_________________________________________________________________
dropout_81 (Dropout)         (None, 3710, 40)          0         
_________________________________________________________________
conv1d_113 (Conv1D)          (None, 2911, 40)          1280040   
_________________________________________________________________
max_pooling1d_94 (MaxPooling (None, 145, 40)           0         
_________________________________________________________________
dropout_82 (Dropout)         (None, 145, 40)           0         
=================================================================
Total params: 1,284,920
Trainable params: 1,284,920
Non-trainable params: 0

model.fit(X_train, y_train, batch_size=50, epochs=1, validation_data=(X_valid, y_valid)) 

ValueError: Error when checking target: expected dropout_82 to have 3 dimensions, but got array with shape (7, 7500)

我认为它关注y_train和y_valid，但是如果我扩展维度，则错误会随着这个而改变

ValueError: Error when checking target: expected dropout_86 to have shape (None, 145, 40) but got array with shape (7, 7500, 1)

Answer 1

正如错误消息所示，输入数据的形状与预期的形状不匹配，因为您扩展了错误的维度。

在这种情况下，原始训练数据的形状为（23,4800000），并且在使用

扩展尺寸后变为（23,480000,1）

X = np.expand_dims(train, axis=2)

但输入数据的预期形状为（None，4800000,10），None表示可变长度。

你应该做的只是用

重塑数据

X = np.expand_dims(train, axis=0)

ValueError：检查目标时出错：预期dropout_82有3个维度，但得到的数组有形状（7,7500）

1 个答案: