Python 用于训练的Keras特征形状

我正在尝试使用keras

train\u on\u batch

函数训练nn。我有39个功能，希望一批包含32个样本。因此，我为每个训练迭代列出了32个numpy数组

下面是我的代码（这里每个batch_x是一个包含32个numpy数组的列表，每个数组包含39个特性）：

但突然我犯了一个错误：

Exception: Error when checking model input: the list of Numpy arrays
that you are passing to your model is not the size the model expected.
Expected to see 1 arrays but instead got the following list of 32 arrays:

我真的不知道怎么了

---

P、 我还尝试过不同的

input_UShape

，例如（32、39）、（39、32）等。

您不需要32个大小为39的数组，您需要一个大小为32、39的数组

---

因此，您必须将input_shape更改为（None，39），None允许您动态更改batch_大小，并将batch_x更改为形状的numpy数组（32，39）。

您不需要32个大小为39的数组，您需要一个大小为（32，39）的数组

---

因此，您必须将输入形状更改为（无，39），无允许您动态更改批次大小，并将批次x更改为形状的numpy数组（32，39）。

在Keras中，第一个参数是输出而不是输入维度。头版的例子非常清楚：

model.add(Dense(output_dim=64, input_dim=100))

调整该示例以符合我猜您的要求：

model.add(Dense(output_dim=39, input_dim=39))

在代码中，

密集

层中的第一个位置参数是

39

，它将输出设置为39-D，而不是您可能假设的输入。你说你有39个输入功能。第一层（在我尝试复制您想要的内容时）不会从39维输入特征向量中进行任何压缩或特征提取

为什么不为每一层设置输入和输出数组的尺寸（如示例中所示），而不使用输入形状？只是重新调整输入（和标签）以匹配默认假设？此外，您还可以尝试在输入数据集（或其中的一部分）上运行basic

fit

方法，然后再进行更复杂的安排，比如像您所做的那样批量手动培训

以下是一个玩具问题的特征尺寸示例：

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.regularizers import l1l2

X = np.random.randn(1000, 39)
y = np.array([X[i,7:13].sum() for i in range(X.shape[0])])

nn = Sequential()
nn.add(Dense(output_dim=1, input_dim=39))
nn.compile('sgd', 'mse')
nn.fit(X, y, nb_epoch=10)

其中：

Epoch 1/10
1000/1000 [==============================] - 0s - loss: 4.6266      
...    
Epoch 10/10
1000/1000 [==============================] - 0s - loss: 1.4048e-04

---

在Keras中，第一个参数是输出而不是输入维度。头版的例子非常清楚：

model.add(Dense(output_dim=64, input_dim=100))

调整该示例以符合我猜您的要求：

model.add(Dense(output_dim=39, input_dim=39))

在代码中，

密集

层中的第一个位置参数是

39

，它将输出设置为39-D，而不是您可能假设的输入。你说你有39个输入功能。第一层（在我尝试复制您想要的内容时）不会从39维输入特征向量中进行任何压缩或特征提取

为什么不为每一层设置输入和输出数组的尺寸（如示例中所示），而不使用输入形状？只是重新调整输入（和标签）以匹配默认假设？此外，您还可以尝试在输入数据集（或其中的一部分）上运行basic

fit

方法，然后再进行更复杂的安排，比如像您所做的那样批量手动培训

以下是一个玩具问题的特征尺寸示例：

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.regularizers import l1l2

X = np.random.randn(1000, 39)
y = np.array([X[i,7:13].sum() for i in range(X.shape[0])])

nn = Sequential()
nn.add(Dense(output_dim=1, input_dim=39))
nn.compile('sgd', 'mse')
nn.fit(X, y, nb_epoch=10)

其中：

Epoch 1/10
1000/1000 [==============================] - 0s - loss: 4.6266      
...    
Epoch 10/10
1000/1000 [==============================] - 0s - loss: 1.4048e-04