Python 检查输入时出错：预期conv1d_57_输入有3个维度，但得到了形状为（152,64）的数组

我得到了这个错误：

ValueError：检查输入时出错：预期conv1d_57_输入有3个维度，但得到了形状为（152，64）的数组

我的代码：

model = Sequential()

model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(152,64)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(4, activation='softmax'))

model.summary()

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

history = model.fit(trainingMatrix, labelTraining, validation_data=(validationMatrix, labelValidation), epochs=3)

变量说明：

trainingMatrix.shape=（152,64）行与具有要素的样本和列相关联

这是一个重塑的问题吗

编辑：

我做了以下更改：

trainingMatrix = np.expand_dims(trainingMatrix, axis=3)
validationMatrix = np.expand_dims(validationMatrix, axis=3)

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(64,1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(4, activation='softmax'))
model.summary()

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

history = model.fit(trainingMatrix, labelTraining, validation_data=(validationMatrix, labelValidation), epochs=3)

我得到了这个新错误：检查目标时出错：预期密集型_28具有形状（1），但得到了具有形状（4）的数组

我的总结：

_________________________________________________________________
Layer (type)                 Output Shape              Param    
=================================================================
conv1d_51 (Conv1D)           (None, 62, 64)            256       
_________________________________________________________________
conv1d_52 (Conv1D)           (None, 60, 64)            12352     
_________________________________________________________________
dropout_15 (Dropout)         (None, 60, 64)            0         
_________________________________________________________________
max_pooling1d_15 (MaxPooling (None, 30, 64)            0         
_________________________________________________________________
flatten_16 (Flatten)         (None, 1920)              0         
_________________________________________________________________
dense_27 (Dense)             (None, 100)               192100    
_________________________________________________________________
dense_28 (Dense)             (None, 4)                 404       
=================================================================
Total params: 205,112
Trainable params: 205,112
Non-trainable params: 0

新代码和新错误：

trainingMatrix = np.expand_dims(trainingMatrix, axis=0)
validationMatrix = np.expand_dims(validationMatrix, axis=0)

model = Sequential()

model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(152,64,1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(4, activation='softmax'))
model.summary()

ValueError:输入0与层conv1d_57不兼容：预期ndim=3，发现ndim=4

下面的解决方案有效，但命中率太低。是否有人建议对配置进行改进？我没有达到超过20%的准确率。（使用MLP我得到了90%）

我的labelTraining是：

1 0 0 0
1 0 0 0
...
0 1 0 0
0 1 0 0
...
0 0 0 1

可以吗？
谢谢大家的帮助。按照代码工作，准确率为97%

trainingMatrix = np.expand_dims(trainingMatrix, axis=3)
validationMatrix = np.expand_dims(validationMatrix, axis=3)

model = Sequential()

model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(64,1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Flatten())
model.add(Dense(4, activation='softmax'))

model.summary()

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

history = model.fit(trainingMatrix, labelTraining, batch_size=batchSize, epochs=epochs, verbose=1, validation_data=(validationMatrix, labelValidation))

谢谢大家的帮助。按照代码工作，准确率为97%

trainingMatrix = np.expand_dims(trainingMatrix, axis=3)
validationMatrix = np.expand_dims(validationMatrix, axis=3)

model = Sequential()

model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(64,1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Flatten())
model.add(Dense(4, activation='softmax'))

model.summary()

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

history = model.fit(trainingMatrix, labelTraining, batch_size=batchSize, epochs=epochs, verbose=1, validation_data=(validationMatrix, labelValidation))

稀疏的\u分类的\u交叉熵和分类的\u交叉熵

稀疏\u分类\u交叉熵：

当目标列包含多标签值且具有单个目标列{表示标签可以大于1}时使用

范畴交叉熵

当目标列包含多标签值且具有多目标列{表示每个列目标值为二进制}时使用

用分类交叉熵替换稀疏分类交叉熵稀疏分类交叉熵和分类交叉熵

稀疏\u分类\u交叉熵：

当目标列包含多标签值且具有单个目标列{表示标签可以大于1}时使用

范畴交叉熵

当目标列包含多标签值且具有多目标列{表示每个列目标值为二进制}时使用

用分类交叉熵替换稀疏分类交叉熵
152
您的样本数正确吗？在这种情况下，将输入形状更改为
input\u shape=（64，）
。您不应该在输入形状中给出样本数，Keras会自动进行。您是否尝试过将其形状改为152,64,1或1152,64？@VivekMehta我根据您的建议更改了代码，但我收到了其他错误：输入0与层conv1d_1不兼容：预期ndim=3，发现ndim=2@3NiGMa在这两种情况下我都会遇到这个错误：输入0与层conv1d_6不兼容：预期ndim=3，发现ndim=4
152
您的样本数正确吗？在这种情况下，将输入形状更改为
input\u shape=（64，）
。您不应该在输入形状中给出样本数，Keras会自动进行。您是否尝试过将其形状改为152,64,1或1152,64？@VivekMehta我根据您的建议更改了代码，但我收到了其他错误：输入0与层conv1d_1不兼容：预期ndim=3，发现ndim=2@3NiGMa在这两种情况下我都会遇到此错误：输入0与层conv1d_6不兼容：预期ndim=3，发现ndim=4