Python ValueError:检查目标时出错：预期密集_22具有形状（100,50），但获得具有形状（1,50）的数组

我正在训练一个神经网络，从一组文档中预测文档频率

因此，主要思想是将包含100个文档和50个标记的矩阵映射到相应的文档频率数组

X=（n_样本，100,50）->y=（n_样本，1,50）

我的代码是：

model = Sequential()
model.add(Dense(50, activation='sigmoid', input_shape=(100,50)))
model.add(Dense(50))
model.compile(optimizer='rmsprop', loss='mse')
model.fit(X_train, y_train, epochs=50)

但我有一个错误：

ValueError: Error when checking target: expected dense_22 to have shape (100, 50) but got array with shape (1, 50)

---

这是因为您的输入是二维的，所以您的模型摘要如下所示

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 100, 50)           2550      
_________________________________________________________________
dense_2 (Dense)              (None, 100, 50)           2550      
=================================================================
Total params: 5,100
Trainable params: 5,100
Non-trainable params: 0
_________________________________________________________________

尝试在

densed_1

或

densed_2

之后重塑张量形状，方法是在第二个轴上求和/平均值，以获得与

Y

相同的形状

以下是我的示例供您参考

我编写了一个定制的求和函数，对第二个轴求和，使（None，100，50）的张量为（None，1，50）。然后，添加另一个致密层

将keras.backend导入为K
从keras.layers导入稠密，λ
从keras.models导入顺序
def mysum（x）：
返回K.sum（x，轴=1，keepdims=True）
def mysum_输出_形状（输入_形状）：
形状=列表（输入形状）
打印（形状）
形状[1]=1
返回元组（形状）
#随机生成数据
将numpy作为np导入
X_序列=np.随机.正常（0,1，（50100,50））
y_系列=np.系列（（50,1,50））
模型=顺序（）
添加模型（密集型（50，激活=sigmoid'，输入_形=（100,50）））
添加（Lambda（mysum，output\u shape=mysum\u output\u shape））
模型.添加（密度（50））
compile（优化器='rmsprop'，loss='mse'）
模型拟合（X_序列，y_序列，历次=50）

---

重要的是要知道你的输入是什么，以及张量是如何通过每一层变换的。希望这有帮助

这是因为您的输入是二维的，因此您的模型摘要如下所示

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 100, 50)           2550      
_________________________________________________________________
dense_2 (Dense)              (None, 100, 50)           2550      
=================================================================
Total params: 5,100
Trainable params: 5,100
Non-trainable params: 0
_________________________________________________________________

尝试在

densed_1

或

densed_2

之后重塑张量形状，方法是在第二个轴上求和/平均值，以获得与

Y

相同的形状

以下是我的示例供您参考

我编写了一个定制的求和函数，对第二个轴求和，使（None，100，50）的张量为（None，1，50）。然后，添加另一个致密层

将keras.backend导入为K
从keras.layers导入稠密，λ
从keras.models导入顺序
def mysum（x）：
返回K.sum（x，轴=1，keepdims=True）
def mysum_输出_形状（输入_形状）：
形状=列表（输入形状）
打印（形状）
形状[1]=1
返回元组（形状）
#随机生成数据
将numpy作为np导入
X_序列=np.随机.正常（0,1，（50100,50））
y_系列=np.系列（（50,1,50））
模型=顺序（）
添加模型（密集型（50，激活=sigmoid'，输入_形=（100,50）））
添加（Lambda（mysum，output\u shape=mysum\u output\u shape））
模型.添加（密度（50））
compile（优化器='rmsprop'，loss='mse'）
模型拟合（X_序列，y_序列，历次=50）

---

重要的是要知道你的输入是什么，以及张量是如何通过每一层变换的。希望这有帮助

您是否尝试过

model.fit（（X\u-train，y\u-train，epochs=50）

model.fit参数必须是两组不同的数据：训练和测试，而不是元组。您是否尝试过

model.fit（（X\u-train，y\u-train，epochs=50）

model.fit参数必须是两组不同的数据：训练和测试，而不是元组。