Question

我有一个看起来像的ndarray

[[array([0.        , 0.       ...       0.        ])],
                          ...    
[array([0.        , 0.       ...       0.        ])]]

其中每个子数组都是784个np.float64值的一维数组

当我尝试运行看起来像'''Dense（32，input_shape =（784，））'的第一层的Keras时，training_utils引发ValueError，因为它认为我的数组的形状为（1，）预计何时（784，）

如果我将数组下标，则会得到array[0].shape == (784,)

我在这里做错了什么？我尝试使用keras.np_utils.to_categorical（）函数等进行转置。

我确定这很简单，但我想念它

class netModel(object):
    def __init__(self, model, TrainingData, Labels):
        self.TrainingData = TrainingData
        self.Labels = Labels
        self.model = model
        self.model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

    def train(self):
        self.model.fit(self.TrainingData, self.Labels)

y = mnConv.mnistConverter.convert("train-images.idx3-ubyte",
                                  "train-labels.idx1-ubyte", 60000)
md = Sequential([
    Dense(32, input_shape=(784,)),
    Activation('relu'),
    Dense(28),
    Activation('sigmoid'),
    Dense(10),
    Activation('softmax'),
    ])
mod = netModel(md,td,lbl)
mod.train()

和mnistCoverter函数如下：

class mnistConverter(object):
    def convert(imgf, labelf, n):
        f = open(imgf, "rb")
        l = open(labelf, "rb")

        f.read(16)
        l.read(8)
        images = []

        for i in range(n):
            label, image = [np.ndarray(10,),np.ndarray(784,)]#shhh, Ignore this
            lbl = ord(l.read(1))
            np1 = np.float64(1)
            np0 = np.float64(0)
            for i in range(10):
                if lbl == i:
                    label[i] = np1
                else:
                    label[i] = np0
            for j in range(28*28):
                image[j] = fit(ord(f.read(1)))
            images.append((lbl, image))
        f.close()
        l.close()
        return np.array(images)

检查输入时出错：预期density_1_input具有形状（784，），但数组的形状为（1，）

0 个答案: