Python Keras模型输入的形状（尺寸）和类型错误

我非常想设置这个简单Keras模型的输入形状：( X和Y都是numpy.narray，但我不知道它有什么问题！我尝试了不同的X形状，但存在错误！代码中提供了数据集的信息（尺寸、样本数等）。 X_train的.pkl文件是从预训练模型的隐藏状态获取的

import pandas as pd
from sklearn.preprocessing import LabelEncoder
from keras.utils import np_utils
from keras import Input, Model
from keras.layers import Dense
import numpy as np

############################## X_Train ############################

X_Train_3embed1 = pd.read_pickle("XX_Train_3embeding.pkl")


X_Train_3embed = np.array(X_Train_3embed1)

print("X-Train")
print(X_Train_3embed.shape)   # (230, 1, 128)
print(type(X_Train_3embed))  # <class 'numpy.ndarray'>
print(X_Train_3embed[0].shape) # (1, 128)
print(type(X_Train_3embed[0])) # <class 'numpy.ndarray'>


############################## Y_Train ############################

Y_Train_labels_list = pd.read_pickle("lis_Y_all_Train.pkl")

print(type(Y_Train_labels_list))  #<class 'numpy.ndarray'>
print(type(Y_Train_labels_list[0])) #<class 'str'>

encoder = LabelEncoder()
encoder.fit(Y_Train_labels_list)
encoded_Y = encoder.transform(Y_Train_labels_list)
Y_my_Train = np_utils.to_categorical(encoded_Y)


print("Y-Train")
print(Y_my_Train.shape) #(230, 83)
print(type(Y_my_Train)) # <class 'numpy.ndarray'>
print(Y_my_Train[0].shape) # (83,)
print(type(Y_my_Train[0])) # <class 'numpy.ndarray'>

##################################  Model  ##################################

first_input = Input(shape=(1, 128))

first_dense = Dense(128)(first_input)

output_layer = Dense(83, activation='softmax')(first_dense)

model = Model(inputs=first_input, outputs=output_layer)

model.summary()


model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['acc'])


history = model.fit((X_Train_3embed, Y_my_Train), epochs=2, batch_size=32)

将熊猫作为pd导入
从sklearn.preprocessing导入标签编码器
从keras.utils导入np_utils
从keras导入输入，模型
从keras.layers导入稠密
将numpy作为np导入
##############################火车############################
X\u列嵌入1=pd.read\u pickle（“XX\u列嵌入.pkl”）
X_列\u 3embed=np.数组（X_列\u 3embed1）
打印（“X系列”）
打印（X_Train_3embed.shape）#（230,1,128）
打印（类型（X_系列嵌入））#
打印（X_列_3embed[0].形状）#（1128）
打印（类型（X_列嵌入[0]））#
##############################你的火车############################
Y\u Train\u labels\u list=pd.read\u pickle（“lis\u Y\u all\u Train.pkl”）
打印（类型（Y列标签列表））#
打印（类型（Y列标签列表[0]））#
编码器=LabelEncoder（）
编码器安装（Y系列标签列表）
encoded_Y=编码器.transform（Y列标签列表）
Y_my_Train=np_utils.to_category（编码的_Y）
打印（“Y列”）
打印（Y_my_Train.shape）#（230,83）
打印（键入（Y_my_Train））#
打印（Y_my_Train[0].形状）#（83，）
打印（键入（Y_my_Train[0]））#
##################################模型##################################
第一个输入=输入（形状=（1128））
第一个密集=密集（128）（第一个密集输入）
输出层=密集（83，激活='softmax'）（第一层密集）
模型=模型（输入=第一个输入，输出=输出层）
model.summary（）
compile（优化器='adam'，loss='classifical_crossentropy'，metrics=['acc']）
历史=model.fit（（X\u系列3embed，Y\u我的系列），历代=2，批量大小=32）

结果如下：

Model: "model_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 1, 128)            0         
_________________________________________________________________
dense_1 (Dense)              (None, 1, 128)            16512     
_________________________________________________________________
dense_2 (Dense)              (None, 1, 83)             10707     
=================================================================
Total params: 27,219
Trainable params: 27,219
Non-trainable params: 0
_________________________________________________________________
Traceback (most recent call last):
  File "/home/vahideh/PycharmProjects/3KArgen-master/MyTransferClassifier2.py", line 63, in <module>
    history = model.fit((X_Train_3embed, Y_my_Train), epochs=2, batch_size=32)
  File "/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site-packages/keras/engine/training.py", line 1154, in fit
    batch_size=batch_size)
  File "/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site-packages/keras/engine/training.py", line 579, in _standardize_user_data
    exception_prefix='input')
  File "/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site-packages/keras/engine/training_utils.py", line 99, in standardize_input_data
    data = [standardize_single_array(x) for x in data]
  File "/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site-packages/keras/engine/training_utils.py", line 99, in <listcomp>
    data = [standardize_single_array(x) for x in data]
  File "/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site-packages/keras/engine/training_utils.py", line 34, in standardize_single_array
    elif x.ndim == 1:
AttributeError: 'tuple' object has no attribute 'ndim'

模型：“模型1”
_________________________________________________________________
层（类型）输出形状参数
=================================================================
输入_1（输入层）（无，1128）0
_________________________________________________________________
稠密的（稠密的）（无，1128）16512
_________________________________________________________________
密集型_2（密集型）（无，1，83）10707
=================================================================
总参数：27219
可培训参数：27219
不可训练参数：0
_________________________________________________________________
回溯（最近一次呼叫最后一次）：
文件“/home/vahideh/PycharmProjects/3KArgen master/MyTransferClassifier2.py”，第63行，在
历史=model.fit（（X\u系列3embed，Y\u我的系列），历代=2，批量大小=32）
文件“/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site packages/keras/engine/training.py”，第1154行
批次大小=批次大小）
文件“/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site packages/keras/engine/training.py”，第579行，在用户数据中
异常（前缀为“输入”）
文件“/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site packages/keras/engine/training_utils.py”，第99行，标准化输入数据
数据=[为数据中的x标准化单个数组（x）]
文件“/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site packages/keras/engine/training_utils.py”，第99行，in
数据=[为数据中的x标准化单个数组（x）]
文件“/home/vahideh/PycharmProjects/MyVirtualEnvs/MyKargo/lib/python3.6/site packages/keras/engine/training_utils.py”，第34行，标准化单数组
elif x.ndim==1：
AttributeError:“tuple”对象没有属性“ndim”

---

如何将这些数据集提供给模型？或者更改模型的输入形状？

您的模型输出是形状

（无，1，83）

，即每个样本输出是

1 x 83

，但每个样本的基本事实是一个标量。处理这个问题有两种方法

展平输出并继续使用数据

删除数据中不必要的维度，即将每个样本从

1X128

展平到

128

，并更改模型架构以处理1D数据，这将导致输出为1D

固定代码：

方法1 输出：

Layer (type)                 Output Shape              Param #   
=================================================================
input_10 (InputLayer)        [(None, 1, 128)]          0         
_________________________________________________________________
dense_18 (Dense)             (None, 1, 128)            16512     
_________________________________________________________________
dense_19 (Dense)             (None, 1, 83)             10707     
_________________________________________________________________
flatten_6 (Flatten)          (None, 83)                0         
=================================================================
Total params: 27,219
Trainable params: 27,219
Non-trainable params: 0
_________________________________________________________________
Epoch 1/2
8/8 [==============================] - 1s 3ms/step - loss: 6.2275 - acc: 0.0162
Epoch 2/2
8/8 [==============================] - 0s 2ms/step - loss: 0.2639 - acc: 0.0150

Layer (type)                 Output Shape              Param #   
=================================================================
input_13 (InputLayer)        [(None, 128)]             0         
_________________________________________________________________
dense_24 (Dense)             (None, 128)               16512     
_________________________________________________________________
dense_25 (Dense)             (None, 83)                10707     
=================================================================
Total params: 27,219
Trainable params: 27,219
Non-trainable params: 0
_________________________________________________________________
Epoch 1/2
8/8 [==============================] - 0s 2ms/step - loss: -1.1705 - acc: 0.0100
Epoch 2/2
8/8 [==============================] - 0s 2ms/step - loss: -6.3587 - acc: 0.0015

方法2 输出：

Layer (type)                 Output Shape              Param #   
=================================================================
input_10 (InputLayer)        [(None, 1, 128)]          0         
_________________________________________________________________
dense_18 (Dense)             (None, 1, 128)            16512     
_________________________________________________________________
dense_19 (Dense)             (None, 1, 83)             10707     
_________________________________________________________________
flatten_6 (Flatten)          (None, 83)                0         
=================================================================
Total params: 27,219
Trainable params: 27,219
Non-trainable params: 0
_________________________________________________________________
Epoch 1/2
8/8 [==============================] - 1s 3ms/step - loss: 6.2275 - acc: 0.0162
Epoch 2/2
8/8 [==============================] - 0s 2ms/step - loss: 0.2639 - acc: 0.0150

Layer (type)                 Output Shape              Param #   
=================================================================
input_13 (InputLayer)        [(None, 128)]             0         
_________________________________________________________________
dense_24 (Dense)             (None, 128)               16512     
_________________________________________________________________
dense_25 (Dense)             (None, 83)                10707     
=================================================================
Total params: 27,219
Trainable params: 27,219
Non-trainable params: 0
_________________________________________________________________
Epoch 1/2
8/8 [==============================] - 0s 2ms/step - loss: -1.1705 - acc: 0.0100
Epoch 2/2
8/8 [==============================] - 0s 2ms/step - loss: -6.3587 - acc: 0.0015

---

基本上，MarcoCerliani要求您删除元组

您的代码：

model.fit（（X\u Train\u 3embed，Y\u my\u Train），epochs=2，batch\u size=32）

---

更改代码：

model.fit（X\u Train\u 3embed，Y\u my\u Train，epochs=2，batch\u size=32）

删除元组。。。model.fit（X\u Train\u 3embed，Y\u my\u Train，epochs=2，batch\u size=32）另一件事不应该是你的

X\u Train\u 3embed[0]。shape
的shape
（128，）
在注释中？那么如何训练模型？试试宏如何说它“删除元组”，即不要将数据集包装在元组中，即不要使用元组来帮助，但问题仍然存在，我注意到我在模型摘要中的输入形状与你的不同，我的是：Input_1（InputLayer）（None，1128）0但你在输入中有一个额外的[]：Input_10（InputLayer）[（None，1128）]0，我应该将其转换为list？我将X_Train_3embed转换为list by list（X_Train_3embed），但它不起作用：|.pkl文件是另一个预训练模型层的隐藏状态。。。它们可能不是张量？！我完全糊涂了：（你能告诉我
X\u Train\u 3embed.shape
的输出是什么吗？同样在方法1中，我使用的是你的模型架构，希望我在最后添加了一个扁平层。在keras中，你不输入张量，而是输入numpy数组，框架负责将其转换为张量。另一方面，Pytork需要张量。我注意到问题出现了，因为我在fit函数中使用了一个额外的括号！Tnx alot:）