Tensorflow 如何解决model.predict（）中的值错误？

我是神经网络问题的新手。我已经搜索了几个小时，但不明白该如何解决此问题！我正在使用nsl kdd数据集，用于卷积神经网络入侵检测系统

我遇到了这个问题：ValueError:layer density_14的输入0与该层不兼容：输入形状的轴-1应具有值3904，但收到的输入具有形状[None，3712]

形状：

x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1)) #(125973, 122, 1)

x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1)) #(22544, 116, 1)

model = Sequential()
model.add(Convolution1D(64, 3, padding="same",activation="relu",input_shape = (x_train.shape[1], 1)))
model.add(MaxPooling1D(pool_size=(2)))
model.add(Flatten())
model.add(Dense(128, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(5, activation="softmax"))

model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
model.fit(x_train, Y_train, epochs = 5, batch_size = 32)

pred = model.predict(x_test)  #problem is occurring for this line
y_pred= np.argmax(pred, axis = 1)

x_列车（1259731222）

y_列车（125973,5）

x_检验（22544116）

y_测试（22544，）

整形后：

x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1)) #(125973, 122, 1)

x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1)) #(22544, 116, 1)

model = Sequential()
model.add(Convolution1D(64, 3, padding="same",activation="relu",input_shape = (x_train.shape[1], 1)))
model.add(MaxPooling1D(pool_size=(2)))
model.add(Flatten())
model.add(Dense(128, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(5, activation="softmax"))

model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
model.fit(x_train, Y_train, epochs = 5, batch_size = 32)

pred = model.predict(x_test)  #problem is occurring for this line
y_pred= np.argmax(pred, axis = 1)

型号：

x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1)) #(125973, 122, 1)

x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1)) #(22544, 116, 1)

model = Sequential()
model.add(Convolution1D(64, 3, padding="same",activation="relu",input_shape = (x_train.shape[1], 1)))
model.add(MaxPooling1D(pool_size=(2)))
model.add(Flatten())
model.add(Dense(128, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(5, activation="softmax"))

model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
model.fit(x_train, Y_train, epochs = 5, batch_size = 32)

pred = model.predict(x_test)  #problem is occurring for this line
y_pred= np.argmax(pred, axis = 1)

编译：

x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1)) #(125973, 122, 1)

x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1)) #(22544, 116, 1)

model = Sequential()
model.add(Convolution1D(64, 3, padding="same",activation="relu",input_shape = (x_train.shape[1], 1)))
model.add(MaxPooling1D(pool_size=(2)))
model.add(Flatten())
model.add(Dense(128, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(5, activation="softmax"))

model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
model.fit(x_train, Y_train, epochs = 5, batch_size = 32)

pred = model.predict(x_test)  #problem is occurring for this line
y_pred= np.argmax(pred, axis = 1)

---

问题：问题在于测试集的维度与训练集的维度相同。测试集应该看起来像是从培训集中抽取了一个样本。因此，如果您的训练集具有维度

x_train.shape=（125973，122）

和

y_train.shape=（125973，5）

。然后您的测试集应该具有维度

x\u test.shape=（sample\u num，122）

和

y\u test.shape=（sample\u num，5）

可能的解决方案：如果您不想使用测试集，那么这是一种简单的测试方法，可以在

.fit（）

中进行验证拆分。

因此：

model.fit（x\u-train，Y\u-train，epochs=5，batch\u-size=32）

将变成这样：

model.fit（x\u-train，Y\u-train，epochs=5，batch\u-size=32，validation\u-split=0.2）

---

这将切掉20%的训练数据并用于测试。然后，在每个历元之后，TensorFlow将打印网络在验证数据上的执行情况，以便您可以看到您的模型在以前从未见过的数据上的执行情况。

问题：问题是您的测试集确实与您的训练集具有相同的维度。测试集应该看起来像是从培训集中抽取了一个样本。因此，如果您的训练集具有维度

x_train.shape=（125973，122）

和

y_train.shape=（125973，5）

。然后您的测试集应该具有维度

x\u test.shape=（sample\u num，122）

和

y\u test.shape=（sample\u num，5）

可能的解决方案：如果您不想使用测试集，那么这是一种简单的测试方法，可以在

.fit（）

中进行验证拆分。

因此：

model.fit（x\u-train，Y\u-train，epochs=5，batch\u-size=32）

将变成这样：

model.fit（x\u-train，Y\u-train，epochs=5，batch\u-size=32，validation\u-split=0.2）

---

这将切掉20%的训练数据并用于测试。然后，在每个历元之后，TensorFlow将打印网络如何对该验证数据执行操作，以便您可以看到您的模型如何对以前从未见过的数据执行操作。

您的x_测试应该与x_train具有相同的尺寸。
x_列=（125973、122、1）

x_测试=（22544116，1）#第二个参数必须与列车组匹配

代码示例：

import tensorflow as tf
import pandas as pd 
import numpy as np
from tensorflow.keras.layers import *
from tensorflow.keras import *


x1 = np.random.uniform(100, size =(125973, 122,1))
x2 = np.random.uniform(100, size =(22544, 122, 1))
y1 = np.random.randint(100, size =(125973,5), dtype = np.int32)
y2 = np.random.randint(2, size =(22544, ), dtype = np.int32)

def create_model2():
    model = Sequential()
    model.add(Convolution1D(64, 3, padding="same",activation="relu",input_shape = (x1.shape[1], 1)))
    model.add(MaxPooling1D(pool_size=(2)))
    model.add(Flatten())
    model.add(Dense(128, activation="relu"))
    model.add(Dropout(0.5))
    model.add(Dense(5, activation="softmax"))
    
    model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
    return model

model = create_model2()
tf.keras.utils.plot_model(model, 'my_first_model.png', show_shapes=True)

您的模型如下所示：

现在，如果使用测试集创建模型，并保持尺寸为（22544116,1）。
您得到的模型看起来是这样的。
由于尺寸不同，各层的预期输入和输出也不同

当您具有适当的测试尺寸时，输出将按预期工作：

pred = model.predict(x2)
pred

输出：

array([[1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       ...,
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.]], dtype=float32)

---

您的x_测试应具有与x_列车相同的尺寸。
x_列=（125973、122、1）

x_测试=（22544116，1）#第二个参数必须与列车组匹配

代码示例：

import tensorflow as tf
import pandas as pd 
import numpy as np
from tensorflow.keras.layers import *
from tensorflow.keras import *


x1 = np.random.uniform(100, size =(125973, 122,1))
x2 = np.random.uniform(100, size =(22544, 122, 1))
y1 = np.random.randint(100, size =(125973,5), dtype = np.int32)
y2 = np.random.randint(2, size =(22544, ), dtype = np.int32)

def create_model2():
    model = Sequential()
    model.add(Convolution1D(64, 3, padding="same",activation="relu",input_shape = (x1.shape[1], 1)))
    model.add(MaxPooling1D(pool_size=(2)))
    model.add(Flatten())
    model.add(Dense(128, activation="relu"))
    model.add(Dropout(0.5))
    model.add(Dense(5, activation="softmax"))
    
    model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
    return model

model = create_model2()
tf.keras.utils.plot_model(model, 'my_first_model.png', show_shapes=True)

您的模型如下所示：

现在，如果使用测试集创建模型，并保持尺寸为（22544116,1）。
您得到的模型看起来是这样的。
由于尺寸不同，各层的预期输入和输出也不同

当您具有适当的测试尺寸时，输出将按预期工作：

pred = model.predict(x2)
pred

输出：

array([[1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       ...,
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.],
       [1., 0., 0., 0., 0.]], dtype=float32)

---

非常感谢你，它成功了！但另一个问题是，现在损失如此之高。你能就这个问题向我提出一些建议吗？这将非常有帮助。再次感谢：）损失在减少吗？看一下报纸。还有，检查一下这个。我已经找到了问题所在。非常感谢你一次又一次：）你帮了我大忙：DDone兄弟！：谢谢你，它很管用！但另一个问题是，现在损失如此之高。你能就这个问题向我提出一些建议吗？这将非常有帮助。再次感谢：）损失在减少吗？看一下报纸。还有，检查一下这个。我已经找到了问题所在。非常感谢你一次又一次：）你帮了我大忙：DDone兄弟！：太感谢你了@Leon Shams！这也很有帮助：）非常感谢@Leon Shams！这也很有帮助：）