Machine learning 正确声明Keras中神经网络的输入_形状？
我试图在从CSV文件加载数据类型后编写代码来识别数据类型。因此有5个可能的标签，特征向量包含一个列表列表。特征向量是具有以下形状的列表列表：Machine learning 正确声明Keras中神经网络的输入_形状？,machine-learning,neural-network,keras,Machine Learning,Neural Network,Keras,我试图在从CSV文件加载数据类型后编写代码来识别数据类型。因此有5个可能的标签，特征向量包含一个列表列表。特征向量是具有以下形状的列表列表： [斜杠计数、破折号计数、冒号计数、字母、点计数、数字] 然后，我将特征和标签向量拆分为训练集、测试集和验证集。我在Stackoverflow上发现了一些代码，有人编写了这些代码，我使用了相同的代码： X\u序列，X\u测试，y\u序列，y\u测试=序列测试分割（ml\u列表，标签，测试大小=0.3，随机状态=1） X_列，X_值，y_列，y_值=列测试分割
[斜杠计数、破折号计数、冒号计数、字母、点计数、数字]X\u序列，X\u测试，y\u序列，y\u测试=序列测试分割（ml\u列表，标签，测试大小=0.3，随机状态=1）
X_列，X_值，y_列，y_值=列测试分割（X_列，y_列，测试大小=0.3，随机状态=1）
min\u max\u scaler=preprocessing.MinMaxScaler（）
X_-train_-minmax=min_-max_-scaler.fit_变换（X_-train）
X_-test_-minmax=min_-max_-scaler.fit_变换（X_-test）
X_val_minmax=min_max_scaler.fit_变换（X_val）
从keras.utils导入到_category
y_-train_-minmax=to_-categorical（y_-train）
y_检验_最小最大值=to_分类（y_检验）
y_val_minmax=to_categorical（y_val）
print（y_train_minmax.shape）#（91366,4）
打印（X_列_最小最大形状）#（91366,6）
打印（X_测试_最小最大形状）#（55939,6）
打印（X_val_minmax.shape）#（39157,6）
打印（y_train_minmax.shape）#（91366,4）
打印（y_测试_最小最大形状）#（55939，4）
打印（y_val_minmax.shape）#（39157，4）
model=models.Sequential（）
添加（layers.Dense（512，activation='relu'，input_shape=（91366,6）））
model.add（layers.Dense（3，activation='softmax'））
compile（优化器='rmsprop'，loss='classifical\u crossentropy'，metrics=['accurity']）
模型拟合（X\u序列最小值，y\u序列最小值，历代数=5，批量大小=128）
我相信错误就在我用输入形状创建神经网络时。我很难理解我哪里出错了。任何帮助都会很好 您应该更改此行：
model.add（layers.Dense（512，activation='relu'，input_shape=（6，））
kerasinput\u shapemodel.add（layers.Dense（4，activation='softmax'））
（4，）我发现的另一个可能的错误是，您没有为
traintestvalidtraintest/validationtest/validationscallertest/validtrainingscaller