Python Keras密集层形状误差

我正在使用keras创建一个LSTM模型。在训练中，我遇到了这个错误

ValueError:检查目标时出错：预期密集_4具有形状（1），但获得具有形状（34）的数组。

这是我的模型

model = Sequential()

model.add(Embedding(max_words, embedding_dim, input_length=maxlen))    
model.add(LSTM(128, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))

model.add(Dense(units = 34 ,activation='softmax'))

model.layers[0].set_weights([embedding_matrix])
model.layers[0].trainable = False

model.compile(optimizer='rmsprop',loss='sparse_categorical_crossentropy',metrics=['acc'])

型号摘要：

Layer (type)                 Output Shape              Param #   
=================================================================
embedding_2 (Embedding)      (None, 15, 50)            500000    
_________________________________________________________________
lstm_2 (LSTM)                (None, 128)               91648     
_________________________________________________________________
dense_3 (Dense)              (None, 64)                8256      
_________________________________________________________________
dropout_2 (Dropout)          (None, 64)                0         
_________________________________________________________________
dense_4 (Dense)              (None, 34)                2210      
=================================================================
Total params: 602,114
Trainable params: 102,114
Non-trainable params: 500,000
_________________________________________________________________

我打电话给fit使用

history = model.fit(X_train, y_train,epochs=100,batch_size=128)

y\u train

是一个热编码标签，形状

（299,34）

。

X\u列车

的形状是

（299,15）

---

我不确定模型为什么要寻找形状（1），因为我可以看到，

densed\u4（densed）

的输出形状为`（None，34）。好的，我发现了问题。我将此作为答案发布，以帮助其他同样面临同样问题的人

这不是层配置，而是错误的损失函数

我使用了

sparse\u categorical\u crossentropy

作为丢失，其中标签必须具有形状

[batch\u size]

和数据类型int32或int64。我改为

categorical\u crossentropy

，期望标签为[batch\u size，num\u classes]

---

keras抛出的错误消息具有误导性。

不过，您试图针对多少类？目前我使用34类（稍后将减少）。X_train和y_train的形状是什么？@krishna，用形状细节更新了问题。@Gp错误消息多么愚蠢！