Python Keras多输出numpy变换

我有一个

y\u序列

数据集，形状为

（示例，9）

。我的

X\u列

输入的形状为

（示例，30，1）

这些内容贯穿于构建为以下内容的模型：

def create_model(input_shape, outputs):
    i = Input(shape=input_shape)

    x = Dense(256, activation="relu")(i)
    x = Dropout(0.5)(x)
    x = Dense(128, activation="relu")(x)
    x = Dropout(0.5)(x)
    x = Dense(64, activation="relu")(x)
    x = Dropout(0.5)(x)
    x = Flatten()(x)

    # Optimize each binary output independently.
    o = list(map(lambda _: Dense(1, activation='sigmoid')(x), range(outputs)))

    m = Model(i, o)
    m.compile('adam', loss='binary_crossentropy', metrics=['accuracy'])
    return m

model = create_model((30, 1), 9)

这会产生一个训练错误：

检查模型目标时出错：您选择的Numpy数组列表 传递给模型的大小不是模型预期的大小。预期 查看9个数组，但得到了以下1个数组的列表：

---

我尝试了

y\u序列

形状的变体，包括

（9，示例1）

和

（示例1，9）

。keras希望看到我的

（示例，9）

阵列形状如何变换？

您的模型有9个输出层，每个层都有二进制交叉熵。因此，您需要将输出作为9个输出的列表传递，其中每个输出是一个

（示例，1）

大小的数组，而不是一个包含9列的单个数组

因此，您需要执行以下操作

# Assuming your y_train is of size (samples, 9)
y_train_list = np.split(y_train, y_train.shape[1], axis=1)

model.fit(x_train, y_train_list)

下面是一个玩具数据的工作示例

x_train = np.random.normal(size=(500,30,1))
y_train = np.random.choice([0,1], size=(500, 9))
y_train_list = np.split(y_train, y_train.shape[1], axis=1)
model.fit(X_tr, y_train_list)

使用列车测试分割创建列车验证数据

---

这样，我得到了一个错误：

找到了样本数不一致的输入变量：[samples，9]

您的

y\u序列需要是[samples，9]。您可能通过了不同大小的
y\u列
。如果I
print（y\u train.shape）
，它将返回
（4994，9）
，其中4994是样本数。在np.split之后，
print（len（y\u train），y\u train[0].shape）
返回错误抛出的
9（4994，1）
。@iRyanBell我在我的问题中添加了一个工作示例。你能将你的数据与玩具数据进行比较，看看它们的形状是否正确吗？@thrushv89得到了。成功了！我有一个培训验证分离，这使测试复杂化。
x_train = np.random.normal(size=(500,30,1))
y_train = np.random.choice([0,1], size=(500, 9))
y_train_list = np.split(y_train, y_train.shape[1], axis=1)
model.fit(X_tr, y_train_list)

from sklearn.model_selection import train_test_split

tr_x, ts_x, tr_y, ts_y =train_test_split(X_tr, Y_tr, test_size=0.33)
tr_list_y = np.split(tr_y, tr_y.shape[1], axis=1)
ts_list_y = np.split(ts_y, ts_y.shape[1], axis=1)
model.fit(tr_x, tr_list_y, validation_data=(ts_x, ts_list_y))