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:Python Keras简单前馈网络输入形状误差,python,python-3.x,machine-learning,keras,tf.keras,Python,Python 3.x,Machine Learning,Keras,Tf.keras,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
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)