Python 又一个",；检查目标时出错：预期密集_2具有形状（4），但获得具有形状（1）的数组；

我在Python3中使用Keras。我遇到的问题似乎与其他许多问题类似，我所能说的最好情况是可能需要使用flatte（），尽管我不知道如何正确设置参数。我得到一个错误：

ValueError:检查目标时出错：预期密集_2具有形状 （4，）但得到了形状为（1，）的数组

我的数据不是图像，但它们是我在数据帧中转换的序列

model = Sequential()
model.add(Dense(30, input_dim=16, activation='relu'))
model.add(Dense(len(TheBinsizeList), activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])


model.fit(Train_Columns, TrainTarget_Columns.to_frame(), epochs=100, batch_size=64)

print(Train_Columns.shape)
# Gives a value of (1627, 16)


print((TrainTarget_Columns.to_frame()).shape)
# Gives a value of (1627,1)

现在，TrainTarget_列的值是这两个元组中的1627个：

（1494,3）（1080,2）（1863,2）（919,4）（1700,2）（710,4）（1365,4）（1815,3）（1477,2）（1618,1）

主题编号是每个tuble中的第一个条目，第二个条目是作为培训目标的值

虽然我看到在dense_2中将BinSizeList从4更改为2会导致预期形状从（4，）更改为（2，），但我不知道如何使用“展平”（如果需要的话）来正确设置值的格式

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 30)                510       
_________________________________________________________________
dense_2 (Dense)              (None, 4)                 124       
=================================================================
Total params: 634
Trainable params: 634
Non-trainable params: 0

---

非常感谢您的帮助。

考虑到您的模型摘要，模型需要输入shape

（batch\u size，16）

和目标shape

（batch\u size，4）

如果你的目标形状是

（1627,1）

，那就是你的问题

解决方案：将其更改为单热变量（例如使用

tf.one\u hot（y，n类）

），错误应消失

将numpy导入为np
导入tensorflow作为tf
输入尺寸=16
隐藏尺寸=30
n_类=4
model=tf.keras.Sequential（）
model.add（tf.keras.layers.Dense（hidden\u dim，input\u dim=input\u dim，activation='relu'））
add（tf.keras.layers.Dense（n_类，input_dim=hidden_dim，activation='relu'））
compile（loss='classifical_crossentropy'，optimizer='adam'，metrics=['accurity']）
X=np.random.randn（100，输入尺寸）
y=np.random.randint（0，n_类，大小=（100，））
模型拟合（X，y）
#ValueError:形状（无，1）和（无，4）不兼容
y=tf.one_hot（y，n_类）
模型拟合（X，y）
#工作！