Python 无法在CNN上执行回归

我正在使用Keras建立一个卷积神经网络，它可以拍摄形状为

（200，200，3）

的图像，并输出一个数字，表示该图像在社交媒体上的预期点击量。y_序列和y_检验是维向量。以下是我目前的代码：

model = Sequential()

model.add(Conv2D(10, 1, 1, input_shape=(200, 200, 3)))
model.add(Activation('relu'))
model.add(Conv2D(10, 1, 1))
model.add(Activation('relu'))
model.add(MaxPool2D())
# model.add(Flatten())

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

model.fit(x_train, y_train)
score = model.evaluate(x_test, y_test) 

我在说一个错误

预期激活_2有4个维度，但得到了具有形状的数组 （7,1）

其中（7，1）是

y\u列的形状

。为什么会这样

由于您使用的是固定大小的输入图像，因此可以添加完全连接的层

分类交叉熵是比较概率分布的函数（即，对于分类问题而不是回归），可以使用均方误差损失函数

下面是一个示例代码：

model = Sequential()

model.add(Conv2D(10, 1, 1, input_shape=(200, 200, 3)))
model.add(Activation('relu'))
model.add(Conv2D(10, 1, 1))
model.add(Activation('relu'))  
model.add(MaxPooling2D())
model.add(Flatten())
model.add(Dense(50))
model.add(Activation('relu'))
model.add(Dense(1))
model.compile(loss='mse',optimizer='rmsprop')
model.fit(x_train, y_train)
test_mse = model.evaluate(x_test, y_test) 
print('test set mse is {}'.format(test_mse))

---

运行

model.summary（）

查看每个层的形状

y_train

的形状应该与最后一层相似（当然不考虑批量尺寸）。@今天它说所有层的形状都是

（无、200、200、10）

。这是一个4维张量，正如错误告诉你的那样。你的图层显然没有产生你想要的预测形状。@Konstantinoskokos我知道。但我不知道为什么，这正是我问的原因。因为您使用的是

MaxPool2D

作为最后一层（默认窗口大小为

2*2

），所以最终的输出张量为shape

（100100,10）

。另一方面，您试图预测一个值。因此，最后一层的形状应为

（1，）

。实现这一点的一种方法是使用

展平

层，然后是

密集

层，最后一层是单个单元。然而，由于最后一层是巨大的（即

100*100*10

），最好使用更多的conv和pooling层来减小张量的大小，然后在最后使用一个

密集的

层。在下一篇评论中继续…在10个时代，这给出了大约2260的MSE。代码显示了如何在调整模型以获得更好结果的同时使模型工作。MSE值取决于训练集的标签值。如何更改模型，使其预测哪个图像“更好”（即

y\u train

）而不是回归？您是否需要每两张连续的图像进行一次比较，并根据结果继续这样做？