Python Keras最简单的神经网络模型：带有指数的training.py中的错误

我已经阅读了这个例子，并决定在我的基础上使用这个想法，因为这是Keras最简单的NN

这是我的基地 （你可以下载我的csv文件，它只有83Kb）

这是我的底图：

base.shape=（891,23）

输出： X_列车=（891,22） y_列=（891，）

输出： 22列车样本 22个测试样本

y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Dense(40, activation='relu', input_shape=(21,)))
model.add(Dropout(0.2))
#model.add(Dense(20, activation='relu'))
#odel.add(Dropout(0.2))
model.add(Dense(2, activation='sigmoid'))

model.summary()

输出：

图层（类型）输出形状参数 密集型_1（密集型）（无，40）880

---

辍学1（辍学）（无，40）0

---

密集型_2（密集型）（无，2）82

model.compile(loss='binary_crossentropy',
          optimizer=Adam(),
          metrics=['accuracy'])

plot_model(model, to_file='model.png')

SVG(model_to_dot(model).create(prog='dot', format='svg'))

print("X_train.shape=", X_train.shape)
print("X_test=",X_test.shape)

history = model.fit(X_train, y_train,
                batch_size=batch_size,
                epochs=epochs,
                verbose=1,
                validation_data=(X_test, y_test))

回溯（最近一次呼叫最后一次）： 文件“new.py”，第67行，在 验证数据=（X_检验，y_检验）

文件“miniconda3/lib/python3.6/site packages/keras/models.py”，第845行 初始_历元=初始_历元）

文件“miniconda3/lib/python3.6/site-packages/keras/engine/training.py”，第1405行，适合 批次大小=批次大小）

文件“miniconda3/lib/python3.6/site packages/keras/engine/training.py”，第1295行，在用户数据中 异常（前缀为“模型输入”）

文件“miniconda3/lib/python3.6/site packages/keras/engine/training.py”，第133行，输入数据 str（array.shape））

ValueError：检查模型输入时出错：预期密集_1_输入具有形状（无，21），但获得具有形状（623，22）的数组 [在5.1s内完成，退出代码为1]

如何解决此错误？我尝试将输入形状更改为（20，）或（22，）等，但没有成功。

例如，如果input_shape=（22，）我有一个错误：文件“miniconda3/lib/python3.6/site packages/pandas/core/index.py”，第1873行，在maybe_convert_索引中

---

raise INDEXEROR（“索引超出范围”）

input\u shape

应与数据中的要素数量相同，并且在您的情况下应为

input\u shape=（22，）

索引器

是由于pandas dataframe中的某些不同索引造成的，因此请使用

as_matrix（）

将数据帧转换为numpy矩阵：

---

你能打印

y\u测试

的形状吗？y\u train.shape（623,2）y\u test.shape（268,2）和

X\u测试

shape？X\u test.shape（268,22）X\u train.shape（623,22）吗

y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Dense(40, activation='relu', input_shape=(21,)))
model.add(Dropout(0.2))
#model.add(Dense(20, activation='relu'))
#odel.add(Dropout(0.2))
model.add(Dense(2, activation='sigmoid'))

model.summary()

model.compile(loss='binary_crossentropy',
          optimizer=Adam(),
          metrics=['accuracy'])

plot_model(model, to_file='model.png')

SVG(model_to_dot(model).create(prog='dot', format='svg'))

print("X_train.shape=", X_train.shape)
print("X_test=",X_test.shape)

history = model.fit(X_train, y_train,
                batch_size=batch_size,
                epochs=epochs,
                verbose=1,
                validation_data=(X_test, y_test))

history = model.fit(X_train.as_matrix(), y_train,
            batch_size=batch_size,
            epochs=epochs,
            verbose=1,
            validation_data=(X_test.as_matrix(), y_test))