Tensorflow ValueError:两个形状中的尺寸0必须相等,但分别为10和1。形状为[10]和[1]
我正在创建一个LSTM网络。虽然目标有10个不同的类值(1-10),但我的输入板顺序排列了形状数组(140017640)、掩码数组(140017640)和形状数组(1400)的y(目标数组)。 因此,我将10个单位的输出密集层和损耗定义为稀疏分类交叉熵。 LSTM网络代码:-Tensorflow ValueError:两个形状中的尺寸0必须相等,但分别为10和1。形状为[10]和[1],tensorflow,lstm,Tensorflow,Lstm,我正在创建一个LSTM网络。虽然目标有10个不同的类值(1-10),但我的输入板顺序排列了形状数组(140017640)、掩码数组(140017640)和形状数组(1400)的y(目标数组)。 因此,我将10个单位的输出密集层和损耗定义为稀疏分类交叉熵。 LSTM网络代码:- pad_seq = np.random.rand(17640,1) def create_model(): #input 1 (pad sequence) input_layer1 = Input(shape=(176
pad_seq = np.random.rand(17640,1)
def create_model():
#input 1 (pad sequence)
input_layer1 = Input(shape=(17640,1),name = 'input_layer',dtype='float32')
#input 2 (mask)
input_layer2 = Input(shape=(17640,),name='input_mask',dtype='bool')
#LSTM layer
LSTM_layer = LSTM(25,return_sequences=False,name = 'LSTM_layer')(input_layer1,mask = input_layer2)
#Dense layer
dense = Dense(50,activation='relu',kernel_initializer=he_normal(),kernel_regularizer=l2(0.0001),name = 'dense')(LSTM_layer)
#output layer
dense_1 = Dense(10, activation = 'softmax',name='dense_1')(dense)
#concat = concatenate([input_layer,input_mask])
model = Model([input_layer1, input_layer2],dense_1)
#compile
model.compile(loss='SparseCategoricalCrossentropy', optimizer=keras.optimizers.Adam(lr=0.001,decay = 1e-4),metrics=[tfa.metrics.F1Score(num_classes = 10)])
return model
但在拟合模型时,我得到了一个值错误:
ValueError: Dimension 0 in both shapes must be equal, but are 10 and 1. Shapes are [10] and [1]. for '{{node AssignAddVariableOp_5}} = AssignAddVariableOp[dtype=DT_FLOAT](AssignAddVariableOp_5/resource, Cast_6)' with input shapes: [], [1].
哪两个输入形状相互比较,哪两个输入形状应该匹配才能拟合模型请使用
np.random.rand(17640,1)
提供虚拟输入,以便我们可以复制粘贴您的代码并再现错误。@Nicolas Gervais我已经编辑了代码。请使用np.random.rand(17640,1)提供虚拟输入
这样我们就可以复制粘贴您的代码并重现错误。@NicolasGervais我已经编辑了代码。