Python 将输入形状配置为掩蔽+;致密干酪层
模型如下:Python 将输入形状配置为掩蔽+;致密干酪层,python,keras,Python,Keras,模型如下: model = Sequential() model.add(Masking(mask_value=-1, input_shape=(x_t.shape[0], x_t.shape[1]))) model.add(Dense(60, kernel_initializer='random_uniform', activation=DENSE_ACTIVATION, input_shape=(x_t.shape[1],))) model.add
model = Sequential()
model.add(Masking(mask_value=-1, input_shape=(x_t.shape[0], x_t.shape[1])))
model.add(Dense(60, kernel_initializer='random_uniform', activation=DENSE_ACTIVATION,
input_shape=(x_t.shape[1],)))
model.add(Dropout(0.2))
model.add(Dense(120, activation=DENSE_ACTIVATION, input_shape=(60,)))
model.add(Dropout(0.2))
model.add(Dense(1, activation=DENSE_ACTIVATION, input_shape=(120,)))
我似乎无法为模型提供有效的x\u t
。我尝试了各种形状,得到了各种错误的回应
如果我尝试(n_样本,n_特征)2d矩阵,我会得到一个错误:
检查输入时出错:预期屏蔽\u 1\u输入有3个维度,但得到了具有形状的数组(n\u个样本,n\u个特征)
如果我尝试(n_样本,1,n_特征)3d矩阵,我会得到一个错误
检查输入时出错:预期屏蔽\u 1\u输入具有形状(n\u样本,1),但获得具有形状(1,n\u特征)的数组
似乎您有两个维度的非时间序列数据
(样本维度、特征维度)
。定义input_形状
时,您不包含由Keras自动添加的sample_维度
。因此,试试这个
model.add(掩蔽(掩蔽值=-1,输入形状=(x\u.t.shape[1],))
似乎您有两个维度的非时间序列数据(样本维度,特征维度)
。定义input_形状
时,您不包含由Keras自动添加的sample_维度
。因此,试试这个
model.add(掩蔽(掩蔽值=-1,输入形状=(x\u.t.shape[1],))