Neural network 检查输入时出现Keras形状错误

我试图训练一个简单的MLP模型，该模型将输入问题（使用300D单词嵌入）和使用预训练VGG16模型提取的图像特征映射到固定长度的特征向量。但是，我不知道如何修复下面提到的错误。下面是我目前正在尝试运行的代码：

parser=argparse.ArgumentParser（）
add_参数（'-num_hidden_units'，type=int，default=1024）
add_参数（'-num_hidden_layers'，type=int，default=3）
parser.add_参数（'-dropout'，type=float，default=0.5）
parser.add_参数（'-activation'，type=str，default=tanh'）
parser.add_参数（'-language_only'，type=bool，default=False）
parser.add_参数（'-num_epochs'，type=int，default=10）#default=100
parser.add_参数（'-model_save_interval'，type=int，default=10）
add_参数（'-batch_size'，type=int，default=128）
args=parser.parse_args（）
问题（train=open（'data/qa/preprocess/questions_train2014.txt'，'r'）。read（）.splitlines（）
answers\u train=open（'data/qa/preprocess/answers\u train2014\u modal.txt'，'r'）。read（）.splitlines（）
images\u train=open（'data/qa/preprocess/images\u train2014.txt'，'r'）.read（）.splitlines（）
vgg_model_path='data/coco/vgg_feats.mat'
maxAnswers=1000
问题训练、答案训练、图像训练=选择频繁的答案（问题训练、答案训练、图像训练、最大答案）
#对剩下的答案进行编码
labelencoder=预处理。labelencoder（）
labelencoder.fit（答案与训练）
nb_classes=len（列表（labelencoder.classes））
dump（labelencoder，'models/labelencoder.pkl'）
features\u struct=scipy.io.loadmat（vgg\u模型\u路径）
VGGfeatures=features_struct['feats']
打印（“加载的vgg功能”）
image_id=open（'data/coco/coco_vgg_IDMap.txt'）。read（）.splitlines（）
id_map={}
对于图像\u ID中的ID：
id_split=ids.split（）
id_映射[id_分割[0]]=int（id_分割[1]）
nlp=英语（）
打印（'加载的word2vec功能…'）
img_dim=4096
文字尺寸=300
模型=顺序（）
如果仅args.language_：
添加（密集（args.num\u hidden\u units，input\u dim=word\u vec\u dim，init='uniform'））
其他：
添加（密集（args.num_hidden_units，input_dim=img_dim+word_vec_dim，init='uniform'））
模型添加（激活（参数激活））
如果参数退出>0：
model.add（辍学（参数辍学））
对于范围内的i（args.num\u hidden\u layers-1）：
添加（密集（args.num\u隐藏单位，init='uniform'））
模型添加（激活（参数激活））
如果参数退出>0：
model.add（辍学（参数辍学））
add（稠密（nb_类，init='uniform'））
添加（激活（'softmax'））
json_string=model.to_json（）
如果仅args.language_：
model_file_name='models/mlp_language_only_num_hidden_units_'+str（args.num_hidden_units）+''u num_hidden_layers_'+str（args.num_hidden_layers）
其他：
model_file_name='models/mlp_num_hidden_units_'+str（args.num_hidden_units）+''u num_hidden_layers_'+str（args.num_hidden_layers）
打开（模型文件名称+'.json'，w'）。写入（json字符串）
打印（'编译模型…'）
compile（loss='classifical\u crossentropy'，optimizer='rmsprop'）
打印（'编译完成…'）
打印（'培训已开始…'）
对于范围内的k（args.num_epochs）：
#在遍历数据点之前，先将其洗牌
索引\u shuf=列表（范围（len（问题\u列）））
洗牌（索引）
问题训练=[索引中的问题训练[i]
answers\u train=[索引中i的answers\u train[i]
images\u train=[索引中i的images\u train[i]
progbar=通用的实用程序
对于zip中的qu_批次、an_批次、im_批次（grouper（questions_train，args.batch_size，fillvalue=questions_train[-1]），
石斑鱼（answers\u train，args.batch\u size，fillvalue=answers\u train[-1]），
grouper（图像序列，参数。批量大小，填充值=图像序列[-1]）：
X_q_batch=获取问题矩阵和（qu_batch，nlp）
如果仅args.language_：
X_批次=X_q_批次
其他：
X_i_batch=获取图像矩阵（im_batch、id_map、VGG特征）
X_批次=np.hstack（（X_q_批次，X_i_批次））
Y_批次=获取答案矩阵（批次，标签编码）
损耗=型号。批量生产（X批、Y批）
progbar.add（args.batch_size，value=[（“列车损失”，损失）]）
#打印类型（丢失）
如果k%args.model\u save\u interval==0：
model.save_weights（model_file_name+''u epoch_{:02d}.hdf5'.格式（k））
model.save_weights（model_file_name+''u epoch_{:02d}.hdf5'.格式（k））

下面是我得到的错误：

Keras:检查输入时出错：预期密集9_输入具有形状 （4396，）但得到了形状为（4096，）的数组

---

我认为错误在于模型第一层的else语句中传递的内容与训练中传递的内容不同。在第一个图层中指定：

model = Sequential()
if args.language_only:
    model.add(Dense(args.num_hidden_units, input_dim=word_vec_dim, init='uniform'))
else:
    model.add(Dense(args.num_hidden_units, input_dim=img_dim+word_vec_dim, init='uniform'))

显然，您传递的是输入尺寸=img尺寸+单词尺寸=4096+300=4396。在培训期间，您通过：

X_q_batch = get_questions_matrix_sum(qu_batch, nlp)
if args.language_only:
    X_batch = X_q_batch
else:
    X_i_batch = get_images_matrix(im_batch, id_map, VGGfeatures)
    X_batch = np.hstack((X_q_batch, X_i_batch))

因此，在

else

分支中，X_batch将有

X_q_batch

或

X_i_batch

行，这显然是=4096。 顺便说一句，为了调试的目的，给图层一个

名称将更容易，例如

x = Dense(64, activation='relu', name="dense_one")

我希望这有帮助