Tensorflow 小型MLP的Keras层形状不相容性

我有一个简单的MLP内置Keras。我输入的形状是：

X_train.shape - (6, 5)
Y_train.shape - 6
  

创建模型 这给了我一个错误：

ValueError: Error when checking input: expected dense_1_input to have shape (6,) but got array with shape (5,). 

我有两个问题：

为什么会出现上述错误，如何解决

output=model.layers[-1]。output

是返回给定输入向量的softmax向量的方法吗？我在凯拉斯从来没有这样做过

---

在输入层中，使用input_shape=（X_train.shape[1]），而最后一层的维度必须等于要预测的类数

返回softmax向量的方法是model.predict（X）

这里有一个完整的例子

n_sample = 5
n_class = 2
X = np.random.uniform(0,1, (n_sample,6))
y = np.random.randint(0,n_class, n_sample)

model = Sequential()
model.add(Dense(32, input_shape=(X.shape[1],), activation='relu'))
model.add(Dense(n_class, activation='softmax'))

# Compile and fit
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, y, epochs=10, batch_size=1, verbose=1)

# Get output vector from softmax
model.predict(X)

---

你好我的例子中的问题是n_sample=n_classes.pass n_sample在最后一个稠密层中（这是一个非常奇怪的问题，我不希望有好的结果）

n_sample = 5
n_class = 2
X = np.random.uniform(0,1, (n_sample,6))
y = np.random.randint(0,n_class, n_sample)

model = Sequential()
model.add(Dense(32, input_shape=(X.shape[1],), activation='relu'))
model.add(Dense(n_class, activation='softmax'))

# Compile and fit
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, y, epochs=10, batch_size=1, verbose=1)

# Get output vector from softmax
model.predict(X)