Keras 多输入模型中的参数误差

我正在创建一个多输入模型，其中连接了CNN模型和LSTM模型。lstm模型包含最后5个事件，CNN包含最后一个事件的图片。两者都被组织起来，以便numpy中的每个元素k与5个事件和相应的图片相匹配，输出标签也是如此，它是模型应该预测的“下一个”事件

chanDim = -1
inputs = Input(shape=inputShape)
x = inputs
x = Dense(128)(x)
x = Activation("relu")(x)
x = BatchNormalization(axis=chanDim)(x)
x = Dropout(0.3)(x)
x = Flatten()(x)

这将创建CNN模型，下面的代码表示LSTM模型

hidden1 = LSTM(128)(visible)
hidden2 = Dense(64, activation='relu')(hidden1)
output = Dense(10, activation='relu')(hidden2)
model_lstm = Model(inputs=visible, outputs=output)

现在，当我组合这些模型并使用简单的密集层对其进行扩展，以进行14个类的多类预测时，所有输入匹配，我可以将（无，10）和（无，10）浓缩为MLP的（无，20）：

x = Dense(14, activation="softmax")(x)
model_mlp = Model(inputs=[model_lstm.input, model_cnn.input], outputs=x)

这一切都很好，直到我尝试编译模型，它给了我一个关于mlp模型最后一个密集层输入的错误：

ValueError:检查目标时出错：预期密集_121具有形状（14），但获得具有形状（1）的数组

你知道这怎么可能吗？如果您需要更多信息，我很乐意提供您的目标必须是（无，14）维的。使用softmax，您必须对输出进行一次热编码

试试这个：

y = pd.get_dummies(np.concatenate([y_train, y_test])).values
y_train = y[:len(y_train)]
y_test = y[len(y_train):]

---

密集型_121是模型的最后一层您的y_列阵列的形状是什么？你对目标进行了一次热编码吗？LSTM的序列集是（79322，1，5），CNN的序列集是（79322，125088），y的序列集是（113318，）我没有对数字进行一次热编码，但我对事件名称进行了分类输入，从0到14。0是虚拟事件我是否也必须对LSTM的输入值执行此操作？因为它是一个numpy，其中每个元素都是最后5个事件的数组。例如（0,0,4,7,2）。这些事件也是输出（0->14）的多类选项，因为我使用Reformate（）函数将lstm输入从（79322,5）更改为（79322,1,5），因为它需要一个额外的维度作为输入，但我不确定它是否与您所指的相同。输入的形状与您的错误无关（我不知道它是否正确和有价值）好的，没问题。非常感谢您的回复！

x = Dense(14, activation="softmax")(x)
model_mlp = Model(inputs=[model_lstm.input, model_cnn.input], outputs=x)

y = pd.get_dummies(np.concatenate([y_train, y_test])).values
y_train = y[:len(y_train)]
y_test = y[len(y_train):]