Javascript 错误是什么'；数据集生成的特征数据缺少所需的输入键'；在tensorflow js中是什么意思？
错误未捕获（承诺中）错误是什么：数据集生成的特征数据缺少所需的输入键“密集输入”。什么意思？我尝试了不同的方法来解决这个问题，比如不同的输入形状和不同的批量大小，但似乎没有任何效果。我有一个包含484个特征和30行的数据输入，以及一个包含1列和30行的标签集 确切的错误是：Javascript 错误是什么'；数据集生成的特征数据缺少所需的输入键'；在tensorflow js中是什么意思？,javascript,csv,tensorflow.js,Javascript,Csv,Tensorflow.js,错误未捕获（承诺中）错误是什么：数据集生成的特征数据缺少所需的输入键“密集输入”。什么意思？我尝试了不同的方法来解决这个问题，比如不同的输入形状和不同的批量大小，但似乎没有任何效果。我有一个包含484个特征和30行的数据输入，以及一个包含1列和30行的标签集 确切的错误是： Uncaught (in promise) Error: The feature data generated by the dataset lacks the required input key 'dense_Dense
Uncaught (in promise) Error: The feature data generated by the dataset lacks the required input key 'dense_Dense1_input'.
at new e (errors.ts:48)
at Wd (training_dataset.ts:277)
at Pd (training_dataset.ts:222)
at training_dataset.ts:421
at common.ts:14
at Object.next (common.ts:14)
at o (common.ts:14)
<html>
<head>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@1.5.2/dist/tf.min.js"></script>
<title>test</title>
</head>
<body>
<script>
const csvUrlData = '/image_data.csv';
const csvUrlLabel = '/number_data.csv';
const headers_image = Array.from(Array(484).keys());
const headers_image_string = headers_image.map(String);
async function run() {
const csvDataset = tf.data.csv(
csvUrlData,{
hasHeader: false,
columnNames: headers_image_string
});
const csvLabelset = tf.data.csv(
csvUrlLabel, {
columnConfigs: {
label_numbers: {
isLabel: true
}
}
}
);
const flattenedDataset = tf.data.zip({xs: csvDataset, ys: csvLabelset}).batch(5);
const model = tf.sequential();
model.add(tf.layers.dense({
inputShape: [484],
units: 1
}));
model.compile({
optimizer: tf.train.sgd(0.00000001),
loss: 'meanSquaredError'
});
return await model.fitDataset(flattenedDataset, {
epochs: 10,
callbacks: {
onEpochEnd: async (epoch, logs) => {
console.log(epoch + ':' + logs.loss);
}
}
});
}
run();
</script>
</body>
</html>
试验
const csvUrlData='/image_data.csv'；
const csvurlabel='/number_data.csv'；
const headers_image=Array.from（Array（484.keys（））；
const headers\u image\u string=headers\u image.map（字符串）；
异步函数run（）{
const csvDataset=tf.data.csv(
csvUrlData{
哈希德：错，
列名称：标题\图像\字符串
});
const csvLabelset=tf.data.csv(
csvUrlLabel{
列配置：{
标签编号：{
伊斯拉贝尔：是的
}
}
}
);
const flattedDataset=tf.data.zip（{xs:csvDataset，ys:csvLabelset}）.batch（5）；
const model=tf.sequential（）；
model.add（tf.layers.dense({
inputShape:[484]，
单位:1
}));
model.compile({
优化器：tf.train.sgd（0.00000001），
损失：“平均平方误差”
});
return wait model.fitDataset（扁平数据集{
纪元：10，
回调：{
onEpochEnd:async（历元，日志）=>{
console.log（epoch+'：'+logs.loss）；
}
}
});
}
run（）；
labelDatasetisLabelmaplabelDatasetys const csvDataset = tf.data.csv(
csvUrlData,{
hasHeader: false,
columnNames: headers_image_string
});
const csvLabelset = tf.data.csv(
csvUrlLabel, {
columnConfigs: {
label_numbers: {
isLabel: true
}
}
}
);
const flattenedcsvDataset =
csvDataset
.map((data) =>
{
return Object.values(data)
})
const flattenedcsvLabelset =
csvDataset
.map((data) =>
{
return Object.values(data)
})
const flattenedDataset = tf.data.zip({xs: flattenedcsvDataset, ys: flattenedcsvLabelset}).batch(5);
flattedDatasetconst csvUrl=
'https://storage.googleapis.com/tfjs-examples/multivariate-linear-regression/data/boston-housing-train.csv';
（异步函数运行（）{
const csvDataset=tf.data.csv(
csvUrl{
列配置：{
/*medv：{
伊斯拉贝尔：是的
}*/
}
});
//Number of features是标签的列名数减去一
//专栏。
const numOfFeatures=（等待csvDataset.columnNames（））.length；
//为培训准备数据集。
常数平坦数据集=
csvDataset
.map（（数据）=>
{
返回对象。值（数据）
})
const zip=tf.data.zip（{xs:flattedDataset，ys:flattedDataset}）。批处理（10）
//定义模型。
const model=tf.sequential（）；
model.add（tf.layers.dense({
inputShape:[numOfFeatures]，
单位：numOfFeatures
}));
model.compile({
优化器：tf.train.sgd（0.000001），
损失：“平均平方误差”
});
//使用准备好的数据集拟合模型
返回model.fitDataset（zip{
纪元：10，
回调：{
onEpochEnd:async（历元，日志）=>{
console.log（epoch+'：'+logs.loss）；
}
}
});
})（）
试验