Numpy 为什么这个模型给了我一个“答案”；“值错误”；

它给了我一个我不理解的值错误。它是这样说的：

检查模型输入时出错：传递给模型的Numpy数组列表的大小不是模型预期的大小。预计会看到2个数组，但得到了以下1个数组的列表“我的数据有8列，我正在尝试预测最后2列的输出

这是一个排名算法，我正在用自己的数据进行实验：

import pandas as pd
import keras
import numpy as np

import pandas as pd
from sklearn.model_selection import train_test_split


from keras import backend

from keras.layers import Activation, Dense, Input, Subtract

from keras.models import Model



INPUT_DIM = 7



# Model.

h_1 = Dense(128, activation="relu")

h_2 = Dense(64, activation="relu")

h_3 = Dense(32, activation="relu")

s = Dense(1)



# Relevant document score.

rel_doc = Input(shape=(INPUT_DIM,), dtype="float32")

h_1_rel = h_1(rel_doc)

h_2_rel = h_2(h_1_rel)

h_3_rel = h_3(h_2_rel)

rel_score = s(h_3_rel)



 # Irrelevant document score.

irr_doc = Input(shape=(INPUT_DIM,), dtype="float32")

h_1_irr = h_1(irr_doc)

h_2_irr = h_2(h_1_irr)

h_3_irr = h_3(h_2_irr)

irr_score = s(h_3_irr)



# Subtract scores.

diff = Subtract()([rel_score, irr_score])



# Pass difference through sigmoid function.

prob = Activation("sigmoid")(diff)



# Build model.

model = Model(inputs=[rel_doc, irr_doc], outputs=prob)

model.compile(optimizer="adadelta", loss="binary_crossentropy")



#  data.
data=pd.read_csv('ranking_dataset_remastered.csv')
print (data.head())
X = data.iloc[:, 1:7]
y = data.iloc[:, 6:7]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 
 0.2)
)

 # Train model.

 NUM_EPOCHS = 20

BATCH_SIZE = 512

history = model.fit(X_train, y_train, batch_size=BATCH_SIZE, 
 epochs=NUM_EPOCHS, verbose=1)



# Generate scores from document/query features.

get_score = backend.function([rel_doc], [rel_score])

get_score([X_train])

get_score([y_train])

---

使用此行定义模型时：

model=model（输入=[rel\u doc，irr\u doc]，输出=prob）

您创建了keras所指的a，这本质上意味着您的模型需要多个输入（在您的案例2中：

rel\u doc

和

irr\u doc

）

但是，在培训期间，您只需通过1个输入，

X\u train

：

history=model.fit（X列、y列、批量大小=批量大小、，
epochs=NUM_epochs，verbose=1）

为了工作，您应该做的是使用两个数组，一个表示相关文档，另一个表示不相关文档，并在如下培训期间将它们都提供给模型：

history=model.fit（[X\u rel\u train，X\u irr\u train]，y\u train，batch\u size=batch\u size，
epochs=NUM_epochs，verbose=1）

使用此行定义模型时：

model=model（输入=[rel\u doc，irr\u doc]，输出=prob）

您创建了keras所指的a，这本质上意味着您的模型需要多个输入（在您的案例2中：

rel\u doc

和

irr\u doc

）

但是，在培训期间，您只需通过1个输入，

X\u train

：

history=model.fit（X列、y列、批量大小=批量大小、，
epochs=NUM_epochs，verbose=1）

为了工作，您应该做的是使用两个数组，一个表示相关文档，另一个表示不相关文档，并在如下培训期间将它们都提供给模型：

history=model.fit（[X\u rel\u train，X\u irr\u train]，y\u train，batch\u size=batch\u size，
epochs=NUM_epochs，verbose=1）

请从代码中删除所有不必要的换行符，在

=

符号周围添加空格，等等。这很难阅读。另外，请告诉我们引发异常的代码行；您可以在代码中使用

突出显示它。请从代码中删除所有不必要的换行符，在
=
符号周围添加空格，等等。它已经被删除很难读懂。还要告诉我们引发异常的代码行；您可以在代码中用
#突出显示它，那么我也应该有2个y列吗？下面是我更新的内容，但仍然是值错误，即“检查输入时出错：预期输入25有形状（7），但有形状（6）的数组”“从sklearn.model_selection导入熊猫作为pd导入训练测试分割数据。data=pd.read_csv（'ranking_dataset_remastered.csv'）X1=data.iloc[:9960，1:7]y1=data.iloc[:9960，6:7]X2=data.iloc[1:9961，：]y2=data.iloc[1:9961,6:7]X1_列，X1_测试，y1_列，y1_测试=列测试分割（X1，y1，测试尺寸=0.2）X2_列，X2_测试，y2_测试，y2_测试，y2_测试尺寸=列（X1，y2）对于您的第一个测试题，不，您有两个
X_train
，因为您定义了一个多输入模型（即有两个不同的输入路径）。另一方面，您只定义了一个输出，因此您只有一个
y\u序列
。请记住，您必须为模型提供您之前定义的内容。对于第二个问题，您需要关注错误消息所说的内容：
预期输入为形状（7），但得到了形状为（6）的数组。
这意味着pandas认为它将获得具有7个特征的输入，而您只提供了一个具有6个特征的输入！在定义过程中更改输入形状，使其接受6个特征，或者按照预期为其提供7个特征。如何在此模型中定义相同的训练和2个不同的输出进行比较？我希望输出具有相关性和无关性。输入是一样的..那么我也应该有2个y_序列吗？这里是我更新的但仍然是值错误的“检查输入时出错：预期输入_25有形状（7），但得到了形状（6）的数组”从sklearn.model_selection导入pandas作为pd导入train_test#split#数据。data=pd.read_csv（'ranking_dataset_remastered.csv'）X1=data.iloc[:9960，1:7]y1=data.iloc[:9960，6:7]X2=data.iloc[1:9961，：]y2=data.iloc[1:9961,6:7]X1_列，X1_测试，y1_列，y1_测试=列测试分割（X1，y1，测试尺寸=0.2）X2_列，X2_测试，y2_测试，y2_测试，y2_测试尺寸=列（X1，y2）对于您的第一个测试题，不，您有两个
X_train
，因为您定义了一个多输入模型（即有两个不同的输入路径）。另一方面，您只定义了一个输出，因此您只有一个
y\u序列
。请记住，您必须为模型提供您之前定义的内容。对于第二个问题，您需要关注错误消息所说的内容：
预期输入为形状（7），但得到了形状为（6）的数组。
这意味着pandas认为它将获得具有7个特征的输入，而您只提供了一个具有6个特征的输入！在定义过程中更改输入形状，使其接受6个特征，或者按照预期为其提供7个特征。如何在此模型中定义相同的训练和2个不同的输出进行比较？我希望输出具有相关性和无关性。输入是相同的。。