Tensorflow Keras输出层形状错误

总的来说，我对TF、Keras和ML是相当陌生的。 我试图实现一个非常简单的MLP，输入形状为

（batch\u size，3,2）

，输出形状为

（batch\u size，3）

，也就是说（如果我做得对的话）：对于每个3x2特性，都有一个对应的3值数组标签

以下是我创建模型的方式：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(50,tf.keras.activations.relu,input_shape=((3,2)),
    tf.keras.layers.Dense(3)
])

这些是X和y形状：

X_train.shape,y_train.shape

TensorShape([64,3,2]),TensorShape([64,3])

在

model.fit

上，我遇到了一个我无法理解的奇怪错误：

ValueError: Dimensions must be equal, but are 3 and 32 for ... with input shapes: [32,3,3] and [32,3]

我不知道发生了什么，我知道批量大小是32，但这是从哪里来的

此外，如果从原来的64，我将X\u列和y\u列的数量（形状）降低到：

（19,3,2）

和

（19,3）

，我会得到以下错误：

InvalidArgumentError: required broadcastable shapes at loc(unknown)

对我来说更奇怪的是，如果我为输出（最后一个）层指定一个单位，而不是像这样指定3个单位：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(50,tf.keras.activations.relu,input_shape=((3,2)),
    tf.keras.layers.Dense(1)
])

model.fit

有效，但预测的形状是（1,3,1），而不是我预期的（3，）

---

我很困惑。

如果您对整个模型中的数据过程一无所知，请使用

model.summary（）

查看详细信息以及每一层中数据的形状会发生什么变化

在本例中，输入是2D数组，输出是1D数组，您只使用了密集层。密集层无法处理自然界中的二维特征。例如，对于作为输入的图像，不能将其直接馈送到密集层。相反，在将数据馈送到密集层之前，应该使用其他层，如Conv2D或展平输入（使其为1D）。否则，您将在输出中获得另一个维度

---

推断：如果输入维度和输出维度不同，则需要在模型中的某个位置更改形状。最常见的方法是使用

plant

层或

GlobalAveragePooling

等等。

如果您对整个模型中的数据过程一无所知，请使用

model.summary（）

查看详细信息以及每个层中的数据形状发生了什么变化

在本例中，输入是2D数组，输出是1D数组，您只使用了密集层。密集层无法处理自然界中的二维特征。例如，对于作为输入的图像，不能将其直接馈送到密集层。相反，在将数据馈送到密集层之前，应该使用其他层，如Conv2D或展平输入（使其为1D）。否则，您将在输出中获得另一个维度

---

推断：如果输入维度和输出维度不同，则需要在模型中的某个位置更改形状。最常用的方法是使用

展平

层或

全局平均池

等等。

将输入传递到密集层时，应首先展平输入。有两种方法可以解决此问题：

方式1：添加展平输入作为模型的第一层：

model = Sequential()
model.add(Flatten(input_shape=(3,2)))
model.add(Dense(50, 'relu'))
model.add(Dense(3))

X_train = tf.reshape(X_train, shape=([6]))

方式2：在将输入传递到模型之前，将2D数组转换为1D：

model = Sequential()
model.add(Flatten(input_shape=(3,2)))
model.add(Dense(50, 'relu'))
model.add(Dense(3))

X_train = tf.reshape(X_train, shape=([6]))

或

然后将第一层的输入形状更改为：

model.add(Dense(50, 'relu', input_shape=(6,))

---

将输入传递到密集层时，应首先展平输入。有两种方法可以解决此问题：

方式1：添加展平输入作为模型的第一层：

model = Sequential()
model.add(Flatten(input_shape=(3,2)))
model.add(Dense(50, 'relu'))
model.add(Dense(3))

X_train = tf.reshape(X_train, shape=([6]))

方式2：在将输入传递到模型之前，将2D数组转换为1D：

model = Sequential()
model.add(Flatten(input_shape=(3,2)))
model.add(Dense(50, 'relu'))
model.add(Dense(3))

X_train = tf.reshape(X_train, shape=([6]))

或

然后将第一层的输入形状更改为：

model.add(Dense(50, 'relu', input_shape=(6,))

---

因为您的输入是2D，但输出是1D，并且您没有展平输入。为输入添加一个展平层，如下所示：

tf.keras.layers.Flatten（input_shape=（3,2））

作为第一层，并从密集层中删除

input_shape

参数。检查

model.summary（）

以查看详细信息。@Kaveh ok。。这是否意味着输入和输出必须以某种方式具有相同的形状？不。您可以使用2D输入，然后将其移动到各个层，最后是1D输出，但密集层不能处理2D数据，您可以使用Conv2D层。在这种情况下，您只使用了密集层，在将数据馈送到密集层之前，应该将其展平。否则，您将在输出处看到尺寸。因为您的输入是2D，但输出是1D，并且您没有展平输入。为输入添加一个展平层，如下所示：

tf.keras.layers.Flatten（input_shape=（3,2））

作为第一层，并从密集层中删除

input_shape

参数。检查

model.summary（）

以查看详细信息。@Kaveh ok。。这是否意味着输入和输出必须以某种方式具有相同的形状？不。您可以使用2D输入，然后将其移动到各个层，最后是1D输出，但密集层不能处理2D数据，您可以使用Conv2D层。在这种情况下，您只使用了密集层，在将数据馈送到密集层之前，应该将其展平。否则，您将在输出中看到维度。谢谢，我不知道您可以查看此存储库，其中包含tensorflow中最先进的神经网络实现：谢谢，我不知道您可以查看此存储库，其中包含tensorflow中最先进的神经网络实现：