Python 如何修复最后一层形状的不一致性“；检查目标时出错：预期稠密“具有形状xx，但获得具有形状yy的数组”；

我是深度学习和TensorFlow的新手，但仍然无法理解层与层输出之间的关系。我正在研究时间序列的二进制分类，并得到以下错误。我想知道出现此错误的原因是什么，我应该在体系结构中检查哪些项目以避免出现此错误：

Error when checking target: expected dense_68 to have shape (1,) but got array with shape (24,)

我有一个具有以下大小的简单数据集：

xTrain (32,24) # 32 training observations with 24 features
yTrain (32,1) # 32 training binary label (0 or 1)
xTest (16,24) 
yTest (16,1)

我的架构如下所示：

model = Sequential()
model.add(Dense(100, activation='relu', input_dim=24))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(xTrain, yTrain, validation_data=(xTest, yTest), epochs=10, batch_size=2)

---

由于

yTrain

和

yTest

的大小是1，并且在最后一个密集层中，我将单位大小设置为1，我想知道为什么我得到的错误是数组的形状（24），这等于我的特征大小作为错误。

我复制粘贴了你的代码，并创建了具有相同形状的数据集。模型正确地开始训练，所以我认为你只是在某处有一个输入错误/错误

我的代码是：

import numpy as np
from keras import Sequential
from keras.layers import Dense

xTrain = np.zeros((32,24)) # 32 training observations with 24 features
yTrain = np.zeros((32,1)) # 32 training binary label (0 or 1)
xTest = np.zeros((16,24))
yTest = np.zeros((16,1))

model = Sequential()
model.add(Dense(100, activation='relu', input_dim=24))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(xTrain, yTrain, validation_data=(xTest, yTest), epochs=10, batch_size=2)

---

是的，这看起来很奇怪，你确定你给我们的形状是正确的，并且你正确地传递了x和y吗？如果在model.fit中将xTrain作为y传递，则会产生错误

import numpy as np
from keras import Sequential
from keras.layers import Dense

xTrain = np.zeros((32,24)) # 32 training observations with 24 features
yTrain = np.zeros((32,1)) # 32 training binary label (0 or 1)
xTest = np.zeros((16,24))
yTest = np.zeros((16,1))

model = Sequential()
model.add(Dense(100, activation='relu', input_dim=24))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(xTrain, yTrain, validation_data=(xTest, yTest), epochs=10, batch_size=2)