Python 如何使用tensorflow训练和保存多类人工神经网络模型？

我正在尝试使用tensorflow训练一个多类分类神经网络模型。所以我有24个特征向量，以numpy数组的形式，当我打印它时看起来像这样：

[[1 0 0 ... 0 1 1]
 [1 0 0 ... 0 1 1]
 [1 0 0 ... 0 1 1]
 ...
 [1 0 0 ... 2 0 0]
 [1 0 0 ... 2 0 0]
 [1 0 0 ... 2 0 0]]

上面是我想要训练的

x_train

数据集。它的形状是

(10799, 24)

然后，

y\u列

数据集如下所示

[   307    307    307 ... 257947 257947 257947]

它的形状是：

(10799,)

因此，

y\u train

由于标签包含不同的类别，因此显示的编号是ID。它总共有480个班级。到目前为止，我的培训尝试如下：

#Normalize the data
x_train = x_train/x_train.max()

#Convert the y_train to be one-hot encoded because they're not a regression problem, to do categorical analysis by Keras.
from keras.utils import to_categorical
y_cat_train = to_categorical(y_train)

#BUILDING THE MODEL
from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(24,input_dim=24,activation='relu'))
model.add(Dense(units=48,activation='relu'))
model.add(Dense(units=96,activation='relu'))
model.add(Dense(units=192,activation='relu'))
model.add(Dense(units=384,activation='relu'))
model.add(Dense(units=420,activation='relu'))
model.add(Dense(units=450,activation='relu'))
model.add(Dense(480,activation='softmax'))

model.compile(loss='categorical_crossentropy',optimizer='rmsprop',metrics=['accuracy'])
print(model.summary())

#TRAINING THE MODEL
model.fit(x_train,y_cat_train,epochs=25)

#SAVING THE MODEL
model.save('myModel.h5')

但是我得到一个错误，说：

ValueError:形状（无，257948）和（无，480）不兼容

---

有人能教我或解释如何正确使用tensorflow来训练和保存多类分类的模型吗？请解释我在代码中犯了什么错误以及这个问题的可能解决方案？

您必须提供

输入\u形状

参数

#规范化数据
x_train=x_train/x_train.max（）
#通过Keras进行分类分析，将y_序列转换为热编码，因为它们不是回归问题。
从keras.utils导入到_category
y_cat_train=到_分类（y_train）
#构建模型
从keras.models导入顺序
从keras.layers导入稠密
模型=tf.keras.Sequential(
[
密集层（24，activation=“relu”，input_shape=（x_train.shape[1]，），
层。致密（48，活化='relu'），
层。致密（96，活化='relu'），
致密层（192，活化='relu'），
致密层（384，活化='relu'），
致密层（420，活化='relu'），
致密层（450，活化='relu'），
层密度（len（设置（y类列车）），激活=“softmax”）
]
)
compile（loss='classifical_crossentropy'，optimizer='rmsprop'，metrics=['accurity']）
打印（model.summary（））
#训练模型
模型拟合（x_系列，y_cat_系列，历代=25）
#保存模型
model.save（'myModel.h5'）

注: 对于包含3个以上

密集

层的网络，您必须增加

历元

的数量才能使网络收敛

在我看来，最好只从1层开始，即具有输入功能数量的大小，然后修改网络

在您的情况下，最好从包含

len（x\u train.shape[1]）

的单层开始

避免使用（如果可能）numpy数组作为X，y。相反，使用

Tensorflow

tf.数据结构强制转换数据

您可以参考以下代码示例：