Keras 自动编码器输出没有正确的形状

我创建了一个类，在

自动编码器

中连续添加层，目的是从数据中学习越来越高的特征表示。 但是，在训练我的算法并使用预测函数后，输出形状不是正确的

x:shape=（6000,23）
alg=成功自动编码器（）
计算拟合（x，历元=10）
x_compressed=alg.predict（x）
压缩x_的形状应为（6000,5），但应为（6000,23）

有人能帮我吗？问题在哪里

请查找以下代码：

class SuccessiveAutoencoder（）：
“该算法一个接一个地堆叠自动编码器，其思想是
从数据中学习更高级别的功能。
属性
-----------------   
-隐藏层：隐藏层的数量
-单位：每个隐藏层中的神经元数量
-激活：要使用的激活类型。请注意
解码器是在类中硬编码的，是一个sigmoid
-微调：如果算法训练一次整个网络
已创建。它可以是“y”或“n”
"""
定义初始层（自、隐藏层=5，单位nbr=5，激活=relu），
微调='y'）：
“”“初始化算法”“”
self.hidden\u layers=隐藏的\u层
self.units\u nbr=units\u nbr
自我激活
自微调=微调
def创建_模型（自我，X）：
“”“创建初始自动编码器结构”“”
#构建简单的自动编码器
input\u time\u series=input（shape=（X.shape[1]，），name='input'）
第1层=致密（单位=自激活单位，激活=自激活，
名称='hidden1'）（输入时间序列）
解码=密集（单位=X.shape[1]，激活='sigmoid'，名称='output'）（第1层）
返回模型（输入时间序列，解码）
def添加层（自身、型号、增量）：
“”“添加新层，并使以前的层不可训练”“”
#将以前的层设置为不可训练
对于模型中的层。层[：-1]：
layer.trainable=错误
#上一层的输出
out=模型。图层[-2]。输出
#添加新图层
新层=致密层（单位=自激活单位，激活=自激活，
名称='hidden'+str（incr））（out）
解码=模型层[-1]（新层）
返回模型（模型层[0]。输入，已解码）
def拟合（自、X、历元）：
“”“运行算法，创建自动编码器并校准它”“”
#创建模型并对其进行训练
打印（“/Training Hidden Layer 1”）
模型=自身。创建模型（X）
compile（损失='mean_squared_error'，优化器='adam'）
h=model.fit（X，X，epochs=epochs，verbose=0）
打印（'Last loss:{}'。格式（h.history['loss'][-1]））
#增量添加图层，并训练这些新图层
对于范围内的增量（2，自隐藏\u层+1）：
打印（“/Training Hidden Layer{}.”格式（str（incr）））
模型=自身。添加图层（模型，增量）
compile（损失='mean_squared_error'，优化器='adam'）
h=model.fit（X，X，epochs=epochs，verbose=0）
打印（'Last loss:{}'。格式（h.history['loss'][-1]））
#如果用户希望在整个模型上再次运行校准
如果self.fine_tuning==“y”：
#最后训练
打印（“/最终调整”）
对于model.layers中的图层：
layer.trainable=True
compile（损失='mean_squared_error'，优化器='adam'）
h=model.fit（X，X，epochs=epochs，verbose=0）
打印（'Last loss:{}'。格式（h.history['loss'][-1]））
#去掉最后一层，并存储模型
model.layers.pop（）
compile（损失='mean_squared_error'，优化器='adam'）
self.model=model
def预测（自我，X）：
“”“从X预测压缩信息”“”
返回自.模型.预测（X）

代码的第103行，而不是

self.model=model

我把

self.model=model（model.layers[0]。输入，model.layers[-1]。输出）

---

看起来它起作用了。但是任何洞察都是受欢迎的。

您为什么要

model.layers.pop（）

？我猜23是倒数第二层的隐藏维度。我删除最后一层，因为目标是降维。