Keras 如何修正期望密度_11有4维误差

当我用Keras构建卷积神经网络时，我犯了一些错误：

检查目标时出错：预期密集_11有4个维度， 但得到了形状为的数组（48986，12）

由于我缺乏知识，我不知道该解决什么问题。有人能解释原因并提出解决方案吗

input_shape=（99,81,1）
nclass=12
模型=顺序（）
添加（密集（32，输入形状=输入形状））
添加（卷积2D（8,3,3，activation='relu'））
add（MaxPooling2D（（2,2），跨步=（2,2）））
添加（密集（128，activation='relu'））
添加（密集（128，activation='relu'））
添加（密集（nclass，activation='softmax'））
x_列车，x_有效，y_列车，y_有效=列车试验分割（x_列车，y_列车，试验尺寸=0.1，随机状态=2017）
#vgg
批量大小=128
nb_epoch=1
compile（优化器='adam'，loss='classifical_crossentropy'，metrics=['accurity']）
#模型拟合（x_序列、y_序列、nb_历元=nb_历元、批次尺寸=批次尺寸、验证_分割=0.1）
model.fit（x\u序列，y\u序列，批量大小=16，验证数据=（x\u有效，y\u有效），历代=3，无序=True，详细=2）
保存（os.path.join（model_path，'vgg16.model'））

---

x\u列

的形状为（99,81,1），且

nclass

输出应为

12

再次查看错误：
“检查目标时出错：预期密集_11有4个维度，但得到了形状为（48986，12）的数组”-目标=标签/输出
也就是说，输出形状存在某种问题

打印模型摘要以检查预期的输出形状：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 99, 81, 32)        64        
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 97, 79, 8)         2312      
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 48, 39, 8)         0         
_________________________________________________________________
dense_2 (Dense)              (None, 48, 39, 128)       1152      
_________________________________________________________________
dense_3 (Dense)              (None, 48, 39, 128)       16512     
_________________________________________________________________
dense_4 (Dense)              (None, 48, 39, 12)        1548      
=================================================================
Total params: 21,588
Trainable params: 21,588
Non-trainable params: 0
_________________________________________________________________

最后一层输出带有形状的预测：（无，48,39,12）。
您可以看到，之所以会发生这种情况，是因为密集层使用形状（None，48,39,8）进行输入，根据Keras实现，密集层位于最后一个维度的顶部->意思是：具有128个节点的密集层使用形状（None，48,39,8）进行输入，将输出（None，48,39，128）

解决方案取决于您想要做什么以及标签的形状（输出应该是什么）。
例如，如果模型的输出形状应为（nclass，1），则可以在MaxPool层之后展平数据。
如果它应该是其他东西，改变你的标签形状是（无，48，39，12）

---

祝你好运：）

再次查看错误：
“检查目标时出错：预期密集_11有4个维度，但得到了形状为（48986，12）的数组”-目标=标签/输出
也就是说，输出形状存在某种问题

打印模型摘要以检查预期的输出形状：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 99, 81, 32)        64        
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 97, 79, 8)         2312      
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 48, 39, 8)         0         
_________________________________________________________________
dense_2 (Dense)              (None, 48, 39, 128)       1152      
_________________________________________________________________
dense_3 (Dense)              (None, 48, 39, 128)       16512     
_________________________________________________________________
dense_4 (Dense)              (None, 48, 39, 12)        1548      
=================================================================
Total params: 21,588
Trainable params: 21,588
Non-trainable params: 0
_________________________________________________________________

最后一层输出带有形状的预测：（无，48,39,12）。
您可以看到，之所以会发生这种情况，是因为密集层使用形状（None，48,39,8）进行输入，根据Keras实现，密集层位于最后一个维度的顶部->意思是：具有128个节点的密集层使用形状（None，48,39,8）进行输入，将输出（None，48,39，128）

解决方案取决于您想要做什么以及标签的形状（输出应该是什么）。
例如，如果模型的输出形状应为（nclass，1），则可以在MaxPool层之后展平数据。
如果它应该是其他东西，改变你的标签形状是（无，48，39，12）

---

祝您好运：）

在maxpool图层错误消失后放置展平后，谢谢您。但是我不明白flatten在CNN中做了什么，为什么它需要在maxpool之后添加，为什么它解决了我的问题根据模型摘要（您可以通过在代码中编写model.summary（）来打印）maxpool层输出（无、48、39、8）。展平获取每个输入并将其重塑为1D阵列。在您的情况下，展平将输出（无，48*39*8）=（无，14976）。密度层将在每个14976节点上“工作”，因此最终输出将是您想要的（无，nclass）。如果没有展平，你的致密层将输出（无，48，39，nclass），正如你在我的答案中所看到的——这不是你想要的。希望这能帮助你理解。。请接受我的答案，如果有，请上传：）@kimsangwon因为答案解决了您的问题，请接受它（答案会占用受访者宝贵的时间）谢谢您在maxpool层错误出现后放置平坦。但是我不明白flatten在CNN中做了什么，为什么它需要在maxpool之后添加，为什么它解决了我的问题根据模型摘要（您可以通过在代码中编写model.summary（）来打印）maxpool层输出（无、48、39、8）。展平获取每个输入并将其重塑为1D阵列。在您的情况下，展平将输出（无，48*39*8）=（无，14976）。密度层将在每个14976节点上“工作”，因此最终输出将是您想要的（无，nclass）。如果没有展平，你的致密层将输出（无，48，39，nclass），正如你在我的答案中所看到的——这不是你想要的。希望这能帮助你理解。。请接受我的答案，如果答案是：）@kimsangwon因为答案解决了您的问题，请接受它（答案会占用受访者宝贵的时间）