Machine learning Keras目标尺寸不匹配

尝试使用

num\u classes=73解决单个标签分类问题

以下是我的简化Keras模型：

num_classes = 73
batch_size = 4

train_data_list = [training_file_names list here..]
validation_data_list = [ validation_file_names list here..]

training_generator = DataGenerator(train_data_list, batch_size, num_classes)
validation_generator = DataGenerator(validation_data_list, batch_size, num_classes)

model = Sequential()
model.add(Conv1D(32, 3, strides=1, input_shape=(15,120), activation="relu"))
model.add(Conv1D(16, 3, strides=1, activation="relu"))
model.add(Flatten())
model.add(Dense(n_classes, activation='softmax'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss="categorical_crossentropy",optimizer=sgd,metrics=['accuracy'])

model.fit_generator(generator=training_generator, epochs=100,
                    validation_data=validation_generator)

这是我的
数据生成器
的
\uu获取项目
方法：

def __get_item__(self):
    X = np.zeros((self.batch_size,15,120))
    y = np.zeros((self.batch_size, 1 ,self.n_classes))
    for i in range(self.batch_size):
      X_row = some_method_that_gives_X_of_15x20_dim()   
      target = some_method_that_gives_target()    
      one_hot = keras.utils.to_categorical(target, num_classes=self.n_classes)
      X[i] = X_row
      y[i] = one_hot
    return X, y

由于我的
X
值与维度
（批次大小，15，120）
一起正确返回，因此我不在这里显示它。我的问题是返回的y值

从这个生成器方法返回的
y
有一个
（batch\u size，1，73）
的形状，作为73个类的一个热编码标签，我认为这是返回的正确形状

但是，对于最后一层，Keras给出了以下错误：

ValueError:检查目标时出错：预期密集_1有2个
维度，但获得了具有形状的数组（4,1,73）

由于批大小是4，我认为目标批也应该是三维的（4,1,73）。那么，为什么Keras希望最后一层是二维的呢？
您的模型的摘要显示，在输出层中应该只有二维（无，73）

由于目标的维度是（batch_size，1，73），所以您只需更改为（batch_size，73）即可运行模型

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_7 (Conv1D)            (None, 13, 32)            11552     
_________________________________________________________________
conv1d_8 (Conv1D)            (None, 11, 16)            1552      
_________________________________________________________________
flatten_5 (Flatten)          (None, 176)               0         
_________________________________________________________________
dense_4 (Dense)              (None, 73)                12921     
=================================================================
Total params: 26,025
Trainable params: 26,025
Non-trainable params: 0
_________________________________________________________________