Python Keras:“；检查目标时出错"；

当我试图用密集层构建Keras序列网络来进行多类分类时，我得到了“检查目标时出错”错误，请参见下文。我可以对输出变量使用一个热编码吗？所以我使用这个网络：

from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop

mean_len = 30
VEC_SIZE = 300
num_categories = 7

def baseline_model():
    model = Sequential()
    model.add(Dense(mean_len, activation='relu',input_shape=(mean_len, VEC_SIZE,)))
    model.add(Dropout(0.2))
    model.add(Dense(mean_len, activation='relu'))
    model.add(Dropout(0.2))
    model.add(Dense(num_categories, activation='softmax'))
    model.summary()
    model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

    return model

培训it：

estimator = KerasClassifier(build_fn=baseline_model, 
                            epochs=200, batch_size=100, 
                            verbose=0,  class_weight='balanced')

seed = 7
np.random.seed(seed)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(estimator,X_train, Y_train , cv=kfold)
print("Baseline: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))

对于输入向量：

X_train.shape
(6054, 30, 300)

向量是这样的：

X_train[0]
array([[ 0.01066018,  0.02115048, -0.0137242 , ..., -0.04065679,
         0.0046372 , -0.01615561],
       [-1.01996469, -0.5443387 ,  2.59211802, ...,  0.85539412,
        -0.34741816, -0.25221351],
       [ 0.4434503 ,  0.32438764, -0.26006699, ...,  0.27807152,
        -0.2352812 , -0.6669544 ],
       ..., 
       [ 0.03539507,  0.00473431,  0.03123392, ..., -0.0063079 ,
         0.03797895,  0.02079199],
       [-0.03658897,  0.02584517, -0.01945854, ...,  0.0241626 ,
        -0.03659866, -0.00615268],
       [ 0.0182472 , -0.02080663, -0.02958447, ..., -0.04258969,
        -0.04952002,  0.01375731]], dtype=float32)

和输出向量：

Y_train.shape
(6054, 7)

Y_train[0]
array([ 0.,  0.,  0.,  0.,  1.,  0.,  0.], dtype=float32)

错误输出：

---

层（类型）输出形状参数
=================================================================
密集型_23（密集型）（无，30，30）9030
_________________________________________________________________
辍学18（辍学）（无、30、30）0
_________________________________________________________________
密集型_24（密集型）（无、30、30）930
_________________________________________________________________
辍学19（辍学）（无、30、30）0
_________________________________________________________________
密集型_25（密集型）（无、30、7）217
=================================================================
总参数：10177
可培训参数：10177
不可训练参数：0
_________________________________________________________________
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
---->1结果=交叉分值（估计器、X列、Y列、cv=kfold）
2打印（“基线：%.2f%%%（.2f%%”）”%（results.mean（）*100，results.std（）*100））
...
...
...
D:\usr\anaconda\lib\site packages\keras\engine\training.py输入数据（数据、名称、形状、检查批处理轴、异常前缀）
126'有'+str（len（形状[i]））+
127'维度，但得到了具有形状的数组'+
-->128 str（数组形状））
129对于枚举中的j，（dim，ref_dim）（zip（array.shape，shapes[i]）：
130如果不是j且不检查批次轴：
ValueError：检查目标时出错：预期密集_25具有3维，但得到具有形状的数组（5448，7）

---

有什么问题吗？

在顺序数据的情况下，密集的

是按元素应用的。当您将序列馈送到

Dense

时，您将获得序列。您需要应用

池化

或

展平

，以便将数据从顺序数据转换为向量。如何在MNIST数据集上训练一个简单的深度神经网络？它也是顺序的，并且这种配置是有效的。请您举出一个“共享”或“扁平化”的例子，谢谢！它之所以有效，是因为图像被压缩/展平为向量。

Dense

在顺序数据的情况下，是按元素应用的。当您将序列馈送到

Dense

时，您将获得序列。您需要应用

池化

或

展平

，以便将数据从顺序数据转换为向量。如何在MNIST数据集上训练一个简单的深度神经网络？它也是顺序的，并且这种配置是有效的。请您举出一个“共享”或“扁平化”的例子，谢谢！这是因为图像被压缩/展平为向量。

Layer (type)                 Output Shape              Param #   
=================================================================
dense_23 (Dense)             (None, 30, 30)            9030      
_________________________________________________________________
dropout_18 (Dropout)         (None, 30, 30)            0         
_________________________________________________________________
dense_24 (Dense)             (None, 30, 30)            930       
_________________________________________________________________
dropout_19 (Dropout)         (None, 30, 30)            0         
_________________________________________________________________
dense_25 (Dense)             (None, 30, 7)             217       
=================================================================
Total params: 10,177
Trainable params: 10,177
Non-trainable params: 0
_________________________________________________________________
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-160-6a936b699825> in <module>()
----> 1 results = cross_val_score(estimator,X_train, Y_train , cv=kfold)
      2 print("Baseline: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))

...
...
...

D:\usr\anaconda\lib\site-packages\keras\engine\training.py in _standardize_input_data(data, names, shapes, check_batch_axis, exception_prefix)
    126                                  ' to have ' + str(len(shapes[i])) +
    127                                  ' dimensions, but got array with shape ' +
--> 128                                  str(array.shape))
    129             for j, (dim, ref_dim) in enumerate(zip(array.shape, shapes[i])):
    130                 if not j and not check_batch_axis:

ValueError: Error when checking target: expected dense_25 to have 3 dimensions, but got array with shape (5448, 7)