Question

我知道之前曾有人问过这个问题，但是我无法解决他们。
所以

   state is [[  0.2]
     [ 10. ]
     [  1. ]
     [-10.5]
     [ 41.1]]

和

    (5, 1) # np.shape(state)

当model.predict（state）抛出时

ValueError：检查输入时出错：预期density_1_input具有 3维，但数组的形状为（5，1）

但是...

model = Sequential()
model.add(Dense(5,activation='relu',input_shape=(5,1)))

我的第一层模型的input_shape =（5,1）等于我通过的状态的形状。
在此之后，我还有2层以上的密集层。

和

print(model.summary()) 
// output 
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 5, 5)              10        
_________________________________________________________________
dropout_1 (Dropout)          (None, 5, 5)              0         
_________________________________________________________________
dense_2 (Dense)              (None, 5, 5)              30        
_________________________________________________________________
dropout_2 (Dropout)          (None, 5, 5)              0         
_________________________________________________________________
dense_3 (Dense)              (None, 5, 3)              18        
=================================================================

模型定义为（!! noob alert）

model = Sequential()
model.add(Dense(5,activation='relu',input_shape=(5,1)))
model.add(Dropout(0.2))
# model.add(Flatten())

model.add(Dense(5,activation='relu'))
model.add(Dropout(0.2))
# model.add(Flatten())

model.add(Dense(3,activation='softmax'))

model.compile(loss="mse", optimizer=Adam(lr=0.001), metrics=['accuracy'])

Answer 1

几件事。首先，predict函数假定输入张量的第一维为批处理大小（即使您仅预测一个样本），但在顺序模型的第一层上具有input_shape属性如here所示，不包括批次大小。其次，将在最后一个维度上应用密集层，因为我假设您的输入向量具有5个特征，但并不能满足您的需求，但是您要添加最后一个1维，这会使模型输出错误的大小。尝试以下代码：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.optimizers import Adam

model = Sequential()
model.add(Dense(5, activation='relu', input_shape=(5,)))
model.add(Dropout(0.2))
model.add(Dense(5,activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(3,activation='softmax'))
model.compile(loss="mse", optimizer=Adam(lr=0.001), metrics=['accuracy'])
print(model.summary())

state = np.array([0.2, 10., 1., -10.5, 41.1])  # shape (5,)
print("Prediction:", model.predict(np.expand_dims(state, 0)))  # expand_dims adds batch dimension

您应该看到此输出以进行模型摘要，并且还可以看到预测的矢量：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 5)                 30        
_________________________________________________________________
dropout (Dropout)            (None, 5)                 0         
_________________________________________________________________
dense_1 (Dense)              (None, 5)                 30        
_________________________________________________________________
dropout_1 (Dropout)          (None, 5)                 0         
_________________________________________________________________
dense_2 (Dense)              (None, 3)                 18        
=================================================================
Total params: 78
Trainable params: 78
Non-trainable params: 0

ValueError：检查输入时出错：预期density_1_input具有3维，但数组的形状为（5，1）

1 个答案: