Tensorflow 将标签作为带有形状（m，1）或形状（m，）的numpy数组提供给模型

简单地说，我试图测试一个没有隐藏层的简单密集神经网络。我的数据的前50列是特征，最后一列是标签

X = data[:, :50]
y = data[:, -1]
input = keras.Input(shape=(50,))
output = keras.layers.Dense(1)(input)
model = keras.Model(inputs=input, outputs=output)
model.compile(loss='mse')
model.fit(X, y, epochs=20)

将

数据[：，-1]

或

数据[：，50:::]

作为标签提供给模型之间有区别吗？为什么？（结果似乎是一样的）

---

数据[：，-1]返回每行最后一列的值

但data[：，50:]将返回从第50列开始的所有列的值。因为在您的示例中只有50列，所以它与数据[：，-1]相同，但第二维度中的1表示只拾取了1列

---

假设数据的大小为（1000,60），那么数据[：，-1]仍将返回形状数组（1000，），但数据[：，50:]将返回形状数组（1000,10）

能否将

X.shape

和

y.shape

的值添加到您的描述中。我已将它们添加到描述中。请尝试将标签转换为numpy数组，然后再输入网络

label=label.to_numpy（）

Docs没有任何错误。问题是：为什么这些会产生相同的结果。现在我认为，在优化的每个步骤中，（m，1）或（m，）形状的预测值将与（m，1）或（m，）形状的实际值进行比较。因此没有任何差异。这是一个愚蠢的问题。

>>> data[:, 50:].shape
result: (1000, 1)

>>> data[:, -1].shape
result: (1000,)

>>> data[:, :50].shape
result: (1000, 50)