Python Keras简单前馈网络输入形状误差

我试图在Keras中训练一个非常简单的前馈网络。我想给网络1800个数字，让它激活6个输出中的1个

我的模型设置如下：

model = keras.Sequential([
    keras.layers.Dense(256, input_dim = 1800, activation=tf.nn.relu),
    keras.layers.Dense(48, activation=tf.nn.relu),
    keras.layers.Dense(6, activation=tf.nn.softmax)
])

我的数据设置如下：

model = keras.Sequential([
    keras.layers.Dense(256, input_dim = 1800, activation=tf.nn.relu),
    keras.layers.Dense(48, activation=tf.nn.relu),
    keras.layers.Dense(6, activation=tf.nn.softmax)
])

它被分成两个Python列表

training\u data

和

training\u标签

training\u labels

中的元素是一个Python列表，包含如下6个数字：

[0, 0, 0, 0, 1, 0]

[15, 155, 1200, 1, ... ]

---

training\u data

中的一个元素是一个包含1800个数字的Python列表，如下所示：

[0, 0, 0, 0, 1, 0]

[15, 155, 1200, 1, ... ]

总共有1500个例子

为了符合模型，我正在做：

model.fit(training_data, training_labels, batch_size=1)

但我得到了一个错误：

ValueError: Error when checking input: expected dense_1_input to have shape (None, 1800) but got array with shape (150, 1)

---

正如评论中提到的，您可能对数据的形状有误解。为了证明这一点，请查看下面截取的代码

import numpy as np

training_data = np.random.rand(1500, 1800)
training_labels = np.ones((1500, 6))
model = keras.Sequential([
    keras.layers.Dense(256, input_dim = 1800, activation=tf.nn.relu),
    keras.layers.Dense(48, activation=tf.nn.relu),
    keras.layers.Dense(6, activation=tf.nn.softmax)
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(training_data, training_labels, batch_size=1)

---

该模型进行编译和训练

除了上面提到的内容之外，我建议在将数据馈送到您的网络之前添加一行：

import numpy as np

training_data = np.asarray(training_data)
assert(training_data.shape = (1500,1800)) 

---

“但是得到了形状为（150，1）的数组”。您并没有以数据的形式输入您认为输入的内容打印输出

训练\u data.shape

。

training\u数据

没有您假设的形状，它的

training\u数据

是一个包含1500个元素的Python列表。每个元素是一个包含1800个整数的列表

len（training\u data）

返回1500，我可以断言其中每个列表的长度为1800。尝试重新调整数据training\u data=np。重新调整（15001800）我使用的是Python列表，而不是NumPy。我将转换成一个NumPy数组，看看会发生什么。好的、干净的、可复制的答案（+1）