Python 我如何用自己在运行时生成的数据拟合keras模型

我试图建立一个生成性的对抗网络，但我不能适应发电机模型。我使用的Sequential（）模型只有密集的层，首先是输入_shape=（1，），最后是imgsize[0]*imgsize[1]*3输出空间。imgsize=（28，28），因此输出空间有2352个单位

我需要适应“实际成本”和“以前的图像”，但当我试图适应以前预测的输出时，会出现一个错误

ValueError:检查目标时出错：预期GenDense5具有形状（1），但获得具有形状（2352，）的数组

generator=keras.Sequential([
keras.layers.Dense（1，输入_形状=（1，），激活=tf.nn.sigmoid，name=“GenDenseIn”），
keras.layers.Dense（8，激活=tf.nn.softmax，name=“GenDense2”），
keras.layers.Dense（64，激活=tf.nn.relu，name=“GenDense3”），
keras.layers.Dense（256，激活=tf.nn.softmax，name=“GenDense4”），
keras.layers.Dense（imgsize[0]*imgsize[1]*3，激活=tf.nn.sigmoid，name=“GenDense5”）
])
compile（优化器='adam'，loss='sparse\u categorical\u crossentropy'，metrics=['accurity']）
gen=generator.predict（np.array（[1]））#1以找到最佳
img=总体重塑（（1，imgsize[0]，imgsize[1]，3））
res=鉴别器。预测（img）#鉴别器评估真值或假值
成本=res[0][0]#实际价值
model.fit（np.array（[cost]），np.array（gen），epochs=100）#错误！

生成器模型必须输出2352，但这些数字是一个集合值（图像），但模型使用稀疏的分类交叉熵损失函数编译，这是一个分类函数，就像我的鉴别器一样。答案是使用均方误差损失函数

generator.compile（优化器='adam'，loss='mean_squared_error'，metrics=['accurity']）

生成器模型必须输出2352，但这些数字是一个集合值（图像），但模型使用稀疏的分类交叉熵损失函数编译，这是一个分类函数，就像我的鉴别器一样。答案是使用均方误差损失函数

generator.compile（优化器='adam'，loss='mean_squared_error'，metrics=['accurity']）

您是否可以尝试创建一个变量来保存imgsize[0]*imgsize[1]*3值，然后将该变量放入最终密集层？不起作用，但谢谢。您是否可以尝试创建一个变量来保存imgsize[0]*imgsize[1]*3值，然后将该变量放入最终密集层？不起作用，但谢谢。