Python 3.x 重塑的输入是一个值为788175的张量，但请求的形状有1050900_Python 3.x_Tensorflow_Autoencoder

Python 3.x 重塑的输入是一个值为788175的张量，但请求的形状有1050900

python-3.x tensorflow

Python 3.x 重塑的输入是一个值为788175的张量，但请求的形状有1050900,python-3.x,tensorflow,autoencoder,Python 3.x,Tensorflow,Autoencoder,我正在导入一些要训练的数据数组，但tensorflow的输出错误如下 inp = open('train.csv',"rb") X = pickle.load(inp) X = X/255.0 X = np.array(X) model = keras.Sequential([ keras.layers.Flatten(input_shape=(113, 75, 3)), keras.layers.Dense(75, activation=tf.nn.relu), ker

我正在导入一些要训练的数据数组，但tensorflow的输出错误如下

inp = open('train.csv',"rb")
X = pickle.load(inp)
X = X/255.0
X = np.array(X)
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(113, 75, 3)),
    keras.layers.Dense(75, activation=tf.nn.relu),
    keras.layers.Dense(50, activation=tf.nn.relu),
    keras.layers.Dense(75, activation=tf.nn.relu),
    keras.layers.Dense(25425, activation=tf.nn.softmax),
    keras.layers.Reshape((113, 75, 4))
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(X, X, epochs=5)

我应该能够创建一个自动编码器，但程序输出：回溯（最近一次呼叫最后一次）：

文件“C:\Users\dalto\Documents\geo4\train.py”，第24行，在
模型拟合（X，X，历元=5）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\engine\training.py”，第643行
使用多处理=使用多处理）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\engine\training\u arrays.py”，第664行
步骤（名称=“每个时代的步骤”）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\engine\training\u arrays.py”，第383行，在模型迭代中
批量输出=f（批量输入）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\backend.py”，第3510行，在调用中__
输出=自。\图形\ fn（*转换的\输入）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\function.py”，第572行，在调用__
返回自我。呼叫平面（args）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\function.py”，第671行，位于调用平面中
输出=自我推理函数调用（ctx，args）
调用中第445行的文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\function.py”
ctx=ctx）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\execute.py”，第67行，在quick\u execute中
六、将_从（核心状态）提升到_异常（例如代码、消息），无
文件“”，第3行，从
tensorflow.python.framework.errors\u impl.InvalidArgumentError:重塑的输入是一个具有788175个值的张量，但请求的形状具有1050900个值
[[节点重塑/重塑（定义于C:\Users\dalto\Documents\geo4\train.py:24）]][Op:_u推理_ukeras_uscratch_922]
函数调用堆栈：
keras_划痕图

如果我将重塑更改为（113,75,3），我会得到这样的结果，它不会修复错误，只是更改了它：

Traceback (most recent call last):
  File "C:\Users\dalto\Documents\geo4\train.py", line 24, in <module>
    model.fit(X, X, epochs=5)
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\keras\engine\training.py", line 643, in fit
use_multiprocessing=use_multiprocessing)
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\keras\engine\training_arrays.py", line 664, in fit
steps_name='steps_per_epoch')
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\keras\engine\training_arrays.py", line 383, in model_iteration
    batch_outs = f(ins_batch)
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\keras\backend.py", line 3510, in __call__
outputs = self._graph_fn(*converted_inputs)
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\eager\function.py", line 572, in __call__
return self._call_flat(args)
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\eager\function.py", line 671, in _call_flat
outputs = self._inference_function.call(ctx, args)
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\eager\function.py", line 445, in call
ctx=ctx)
  File "C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site-packages\tensorflow\python\eager\execute.py", line 67, in quick_execute
six.raise_from(core._status_to_exception(e.code, message), None)
  File "<string>", line 3, in raise_from
tensorflow.python.framework.errors_impl.InvalidArgumentError:  Incompatible 
shapes: [31,113,75] vs. [31,113,75,3]
 [[node metrics/accuracy/Equal (defined at 
C:\Users\dalto\Documents\geo4\train.py:24) ]] [Op:__inference_keras_scratch_graph_922]

回溯（最近一次呼叫最后一次）：
文件“C:\Users\dalto\Documents\geo4\train.py”，第24行，在
模型拟合（X，X，历元=5）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\engine\training.py”，第643行
使用多处理=使用多处理）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\engine\training\u arrays.py”，第664行
步骤（名称=“每个时代的步骤”）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\engine\training\u arrays.py”，第383行，在模型迭代中
批量输出=f（批量输入）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\keras\backend.py”，第3510行，在调用中__
输出=自。\图形\ fn（*转换的\输入）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\function.py”，第572行，在调用__
返回自我。呼叫平面（args）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\function.py”，第671行，位于调用平面中
输出=自我推理函数调用（ctx，args）
调用中第445行的文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\function.py”
ctx=ctx）
文件“C:\Users\dalto\AppData\Local\Programs\Python\Python37\lib\site packages\tensorflow\Python\eager\execute.py”，第67行，在quick\u execute中
六、将_从（核心状态）提升到_异常（例如代码、消息），无
文件“”，第3行，从
tensorflow.python.framework.errors\u impl.InvalidArgumentError:不兼容
形状：[31113,75]对[31113,75,3]
[[节点度量/精度/相等（定义于
C:\Users\dalto\Documents\geo4\train.py:24）][Op:\u推理\u keras\u scratch\u图形\u 922]

整形后的输入和输出大小必须相同。因此，您必须使用

（113，75，3）

而不是

（113，75，4）

现在，通过使用

（113，75，3）

，您得到了不相等的错误，因为您使用

稀疏的\u分类的\u交叉熵作为损失函数，您应该使用分类的\u交叉熵
这两者之间的基本区别在于，当使用直接整数作为标签时，sparse\u category\u crossentropy
起作用，而当使用一个热编码标签时，category\u crossentropy
起作用
更正：
inp = open('train.csv',"rb")
X = pickle.load(inp)
X = X/255.0
X = np.array(X)
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(113, 75, 3)),
    keras.layers.Dense(75, activation=tf.nn.relu),
    keras.layers.Dense(50, activation=tf.nn.relu),
    keras.layers.Dense(75, activation=tf.nn.relu),
    keras.layers.Dense(25425, activation=tf.nn.softmax),
    keras.layers.Reshape((113, 75, 4))
])
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(X, X, epochs=5)

整形后的输入和输出大小必须相同。因此，您必须使用（113，75，3）
而不是（113，75，4）

现在，通过使用（113，75，3）
，您得到了不相等的错误，因为您使用稀疏的\u分类的\u交叉熵作为损失函数，您应该使用分类的\u交叉熵
这两者之间的基本区别在于，当使用直接整数作为标签时，sparse\u category\u crossentropy
起作用，而当使用一个热编码标签时，category\u crossentropy
起作用
更正：
inp = open('train.csv',"rb")
X = pickle.load(inp)
X = X/255.0
X = np.array(X)
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(113, 75, 3)),
    keras.layers.Dense(75, activation=tf.nn.relu),
    keras.layers.Dense(50, activation=tf.nn.relu),
    keras.layers.Dense(75, activation=tf.nn.relu),
    keras.layers.Dense(25425, activation=tf.nn.softmax),
    keras.layers.Reshape((113, 75, 4))
])
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(X, X, epochs=5)

输入形状为（113,75,3）
。输出为（113,75,4）
。修复此问题可能会有所帮助。它会给我一个完全不同的错误。如果将输出重塑为[x，y，z]，则x*y*z
必须等于上一层的大小。在您的情况下25425！=113*745*4=33900
@用户2653663正确，使用（113,75,3）
。输入形状为（113,75,3）
。输出为（113,75,4）
。修复此问题可能会有所帮助。它会给我一个完全不同的错误。如果