Python Keras中的输入整形与模型训练

我知道目前有一些很好的帖子在讨论这个话题（非常好，非常详细），但经过2个小时的努力，我仍然有一些问题：

只是为了有一些背景：我正在获取一些wav文件的频谱图（16 kHz，3秒分为20毫秒）并将其输入神经网络，以确定它们是否包含一个具体的单词（考虑确定性范围为0到1）

我实际上得到了以下错误：

ValueError('Error when checking target: expected activation_1 to have 3 dimensions, but got array with shape (3, 1)',)

在检查局部var值时，我花了将近一个小时试图更好地解释问题，我想我更想问一下，我是否给出了正确的输入形状，如何使用展平/重塑层来获得每个样本的单个值输出

---

很抱歉，无法更加具体

请在“密集”之后添加一个“平坦”层，并在“平坦”层之后添加一个“密集”层，其中单位数应等于您期望的输出形状。在这种情况下，我们期望一个值。因此

density（1）

我运行了上面的代码，没有任何问题。请检查一下这个

在模型上进行预测时

# Since i don't have the original data, i am creating some random values
test = np.random.rand(161,157)
test = np.expand_dims(test,axis=0)
model.predict(test)

---

您能否打印

输入的形状

variableshape=（3161157）从外观上看，您正在尝试为时间序列数据构建模型。为什么不使用

LSTM

而不是

Dense

layer主要是因为我对不同类型的网络和层缺乏了解，我仍然使用基本索引，运行代码时没有问题。但似乎把这三个样本作为一个样本。如果我尝试预测另一个样本（仅将第一个样本作为参数传递），它会要求第三个维度。在使用它预测输出之前，对数据使用np.expand_dims。我在回答问题的同时添加了代码。在编译和执行方面，代码是正确的。运行后，输出与期望结果不匹配。因此，正如您之前所评论的，这里可能存在设计问题。我将尝试看看哪个模型更适合输入数据（从LSTM、thx开始）。

inputs = np.random.rand(3,161,157)
model= Sequential()
model.add(Dense(10,input_shape=(161,157)))
model.add(Flatten())
model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])
model.summary()
results=np.array([[1.],[1.],[0.]])
model.fit(inputs,results,epochs=10)

# Since i don't have the original data, i am creating some random values
test = np.random.rand(161,157)
test = np.expand_dims(test,axis=0)
model.predict(test)