合并后，预期的Keras形状不匹配

Question

我正在Keras中构建一些简单的模型，以提高我的深度学习知识，并遇到一些我不太了解如何调试的问题。

我想使用1D CNN对某些时间序列数据执行回归。我的输入特征张量的形状为N x T x D，其中N是数据点数，T是序列数，D是维数。我的目标张量的形状为N x T x 1（之所以为1，是因为我试图输出标量值）。

我已经建立了这样的模型架构：

feature_tensor.shape
# (75584, 40, 38)
target_tensor.shape
# (75584, 40, 1)

inputs = Input(shape=(SEQUENCE_LENGTH,DIMENSIONS))
conv1 = Conv1D(filters=64, kernel_size=3, activation='relu')
x = conv1(inputs)
x = MaxPooling1D(pool_size=2)(x)
x = Flatten()(x)
x = Dense(100, activation='relu')(x)
predictions = Dense(1, activation="linear")(x)
model = Model(inputs, predictions)
opt = Adam(lr=1e-5, decay=1e-4 / 200)
model.compile(loss="mean_absolute_error", optimizer=opt)

但是，当我尝试训练模型时，得到以下输出：

r = model.fit(cleaned_tensor, target_tensor, epochs=100, batch_size=2058)

  

ValueError：检查目标时出错：预期density_164为2   尺寸，但数组的形状为（75584，40，1）。

熟悉前两个数字：75584是样本数，40是序列长度。

调试模型摘要对象时，我看到Flatten层的预期输出应为1216：

但是，我和我的同事长时间盯着代码，无法理解为什么(75584, 40, 1)的形状在到达密集层时是通过体系结构到达的。

有人可以指出我做错了什么方向吗？

Answer 1

尝试将目标变量重塑为N x T，看来您的最终密集层应为40而不是1（我认为）。