keras中卷积神经网络的输出形状误差
我一直在研究一个简单的卷积神经网络模型，但输出似乎与我想要的形状不匹配。
from keras.layers import Input, Conv2D, MaxPooling2D, Reshape, Flatten, Dense, Dropout, Activation
from keras.models import Sequential
from keras.layers.convolutional import *
from keras.layers.pooling import *
from keras.optimizers import Adam
from keras.optimizers import rmsprop
from keras.metrics import categorical_crossentropy
model_CL = Sequential([
Dense(64, activation = 'relu', input_shape = (200, 4, 1)),
Conv2D(64, kernel_size = (3, 3), activation = 'relu', padding = 'same'),
MaxPooling2D(pool_size = (2, 2), strides = 2, padding = 'valid'),
Dropout(rate=0.3),
Conv2D(64, kernel_size = (5, 5), activation = 'relu', padding = 'same'),
Flatten(),
Dense(2, activation = 'softmax')
])
model_CL.compile(loss = 'sparse_categorical_crossentropy', metrics = ['accuracy'], optimizer = 'Adam')
model_CL.summary()
from keras.callbacks import EarlyStopping
from keras.callbacks import ModelCheckpoint
es_CL = EarlyStopping(monitor='val_loss', mode='min', verbose=1, patience=5)
mc_CL = ModelCheckpoint('best_model_CL.h5', monitor='val_acc', mode='max', verbose=1, save_best_only=True)
epochs = 50
hist_CL = model_CL.fit(CL_train_input, CL_train_label, validation_data=(CL_validation_input, CL_validation_label), batch_size=32, epochs=epochs, verbose=0, callbacks=[es_CL, mc_CL])
所以我的输入大小似乎不是问题。我的训练集输入形状是（13630, 200, 4, 1)其中13630是数据的数量，而我的training_label如下。（13630,2）我期望模型输出形状是（2，），但它似乎期望（1，）作为输出大小。
所以我的错误是这样的。
检查目标时出错：预期稠密_28具有形状（1），但获得具有形状（2）的数组
只是作为参考，
型号：“顺序_14”
dense_27（密集）（无，200, 4, 64) 128
conv2d_27（conv2d）（无、200、4、64）36928
最大池2D池14（最大池（无、100、2、64）0
dropout_14（辍学）（无，100, 2, 64) 0
conv2d_28（Conv2D）（无，100, 2, 64) 102464
flatten_13（压平）（无，12800）0
总参数：165122可培训参数：165122不可培训参数：0
这是我的模型的摘要。我不太清楚它为什么期待（1，）。
共有2个答案
听起来你的training\u标签是一个热编码标签。因此，您希望使用categorical\u crossentropy而不是sparse\u categorical\u crossentropy，它需要形状（无，1）
这里的问题是，您将2作为输出，而在输入层中仅输入1。这是你能做的，
- 在输出层中，这个
Dense（2，activation='softmax'）您可以将第一个参数更改为1，这意味着您将为二进制问题获取一个输出。像这样的Dense（1，activation='softmax'）
-
我有32760个音频频谱，计算维度=72（#帧）x 40（#频段），我试图将其输入“宽”卷积神经网络（第一层是4个不同conv层的合奏）。这些频谱没有深度，因此它们可以表示为72 x 40 2D数字浮点数组，因此分类器的X输入是一个32760个元素长的数组，每个元素都是这些72 x 40 x 1频谱之一。Y输入是一个标签数组，一个热编码，有32760个元素。 当尝试使用 我得到以下错误： 以下是我
-
我正在尝试创建一个CNN来对数据进行分类。我的数据是X[N\u数据，N\u特征]我想创建一个能够对其进行分类的神经网络。我的问题是关于keras后端Conv1D的输入形状。 我想在上面重复一个过滤器。。假设有10个特征，然后为接下来的10个特征保持相同的权重。对于每个数据，我的卷积层将创建N\U特征/10个新神经元。我该怎么做？我应该在input\u形状中放置什么？ 有什么建议吗？非常感谢。
-
我在使用Keras和Python对3D形状进行分类时遇到了一个问题。我有一个文件夹，里面有一些JSON格式的模型。我将这些模型读入Numpy数组。模型是25*25*25，表示体素化模型的占用网格（每个位置表示位置（i、j、k）中的体素是否有点），因此我只有1个输入通道，就像2D图像中的灰度图像一样。我拥有的代码如下： 在此之后，我得到以下错误 使用TensorFlow后端。回溯（最后一次调用）：文
-
我正在开发一种卷积神经网络用于图像分类或更好的车牌分类。这些车牌最多包含8个字符，每个字符可以包含37个字符（A-Z、0-9和空格）。我现在想知道如何设计网络中的最后两层。我认为，最后一个必须是具有37个概率的softmax层。这应该完全连接到一个（？）神经元在前一层？我想，在前一层我们需要8个神经元，因为之前的车牌上有8个字符，但我不确定。在此层之前，我添加了一些卷积层和maxPooling层。
-
我正在尝试为数字数据集构建1D CNN。我的数据集有520行和13个特征。下面是代码。 它给出了“ValueError:layer sequential\u 21的输入0与layer不兼容：：expected min\u ndim=3，found ndim=2。接收到的完整形状：（1，13）”错误。 我需要如何设置输入形状，还是必须重塑X\U列？非常感谢您的帮助。
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz