Question

我想拥有简单的单层NN，它将NN的矢量转换为300的矢量。

如此：

print(np.array(train_in).shape)
print(np.array(train_t).shape)

返回：

(943, 300)
(943, 300)

我尝试以下操作：

model = keras.Sequential()
model.add(Dense(300, input_shape=(300,)))
model.compile(optimizer=tf.train.AdamOptimizer(), 
          loss='sparse_categorical_crossentropy',
          metrics=['accuracy'])
model.fit(np.array(train_in), np.array(train_t), epochs=5)

我得到：

ValueError: Error when checking target: expected dense_37 to have shape (1,) but got array with shape (300,)

为什么预期目标的形状为(1,)？具有300个单位的图层应在输出上产生300个数字的向量，对吗？

编辑：

根据要求，这是我的数据的样子：

print(np.array(train_in))
print(np.array(train_t))

给予：

[[-0.13841234  0.22157902  0.12244826 ... -0.10154381 -0.01824803
  -0.08607237]
 [ 0.02228635  0.3353927   0.05389142 ... -0.23218463 -0.06550601
   0.03365546]
 [ 0.22719774  0.25478157 -0.02882686 ... -0.36675575 -0.14722016
  -0.22856475]
 ...
 [ 0.07122967  0.07579704  0.2376182  ... -0.5245226  -0.38911286
  -0.5513026 ]
 [-0.05494669 -0.3587228   0.13438214 ... -0.6134821  -0.06194036
  -0.46365416]
 [-0.16560836 -0.15729778  0.00067104 ... -0.01925305 -0.3984945
   0.12297624]]
[[-0.20293862  0.27669927  0.19337481 ... -0.14366734  0.06025359
  -0.1156549 ]
 [-0.02273261  0.20943424  0.26937988 ... -0.20701817 -0.03191033
   0.03741883]
 [ 0.16326293  0.19438037  0.12544776 ... -0.37406632 -0.1527986
  -0.29249507]
 ...
 [ 0.05573128  0.26873755  0.40287578 ... -0.65253705 -0.30244952
  -0.68772614]
 [-0.02555208 -0.0485841   0.19109009 ... -0.2797842  -0.01007691
  -0.53623134]
 [-0.30828896  0.04836991 -0.108813   ... -0.20583114 -0.40019956
   0.11540392]]

Answer 1

问题在于您的损失，在这种情况下，稀疏的分类交叉熵没有意义，因为它用于分类，而且您似乎没有分类问题。要执行300维矢量的回归，则均方误差更为合理。

使用稀疏分类交叉熵的问题是，这种损失使模型假设输出了标量（一个元素向量），并且在运行时对其进行了检查，并且此检查失败，这就是为什么会出现错误的原因

此外，在回归设置中，准确性没有意义。

model.compile(optimizer=tf.train.AdamOptimizer(), 
          loss='mean_squared_error')

300个单位的Keras密集层输出的预期形状为（1，）

1 个答案: