Python 如何根据模型要求重塑我的数据？

我有数据，包括培训培训和测试培训。但主要的问题是，当拟合到模型时，它显示出类似于错误的结果

检查输入时出错：预期密集_12_输入具有形状（8），但获得具有形状（13923）的数组

训练数据形状为

d=np.array(train_x)
d.shape

f = np.array(train_y)
f.shape

输出为

(6995, 13923)

测试数据形状是

d=np.array(train_x)
d.shape

f = np.array(train_y)
f.shape

输出为

(6995, 8)

因此，我们可以将其转换为上述值，或将其放入模型中

将数据拟合到训练数据集

---

如何根据模型进行转换。

您应该在完全连接的层上应用具有形状（n，8）的数据。 但您正在尝试申请（699513923）。 你有办法通过这个问题。 1-更改完全连接的层输入形状（我不建议这样做，因为您的目标集或地面真相或训练有（n，8）形状）

---

2-您应该在最后一个完全连接的层之前放置一些更完全连接的层，以减少数据形状，如fc1（699513923）、fc2（69953923）、fc3（6995923）、（6995，23）、fc4（6995，8）

请在定义

分类器的位置添加代码。问题最有可能出现在那里。classifier=Sequential（）#第一个隐藏层分类器。add（稠密（4，activation='relu'，kernel'u initializer='random'u normal'，input'u dim=8））#第二个隐藏层分类器。add（稠密（4，activation='relu'，kernel initializer='random'u normal'））#输出层分类器。add（稠密）（1，activation='sigmoid'，kernel'u initializer='random'u normal'））你能帮我找到你建议的任何一层代码吗？我把我的nn代码也附在你身上。classifier=Sequential（）#第一个隐藏层分类器。add（稠密的（4，activation='relu'，kernel initializer='random'u normal'，input#dim=8））#第二个隐藏层分类器。add（稠密的（4，activation='relu'，kernel'u initializer='random'u normal'））#输出层分类器。添加（稠密（1，activation='sigmoid'，kernel'u initializer='random'u normal'））