Keras：预期为3维，但得到了形状密集型阵列

Question

我想基于使用TfidfVectorizer的矢量化单词进行多标签分类（20个不同的输出标签）。我已经设置了39974行，每行包含2739个项目（0或1）。

我想使用Keras模型对这些数据进行分类，该模型将包含1个隐藏层（~ 20个节点，激活='relu'），输出层等于20个可能的输出值（激活='softmax'以选择最佳拟合）。

以下是我目前的代码：

model = Sequential()
model.add(Dense(units=20, activation='relu', input_shape=tfidf_matrix.shape))
model.add(Dense(units=20, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(tfidf_matrix, train_data['cuisine_id'], epochs=10)

但有错误：

ValueError：检查输入时出错：预期dense_1_input有3个维度，但得到了带有形状（39774, 2739)的数组

如何使用此矩阵指定此NN以进行拟合？

Answer 1

行数（训练样本数）不是网络输入形状的一部分，因为训练过程为网络提供了每批一个样本（或者更准确地说，每批一个batch\u大小的样本）。

因此，在您的情况下，网络的输入形状是（2739，），正确的代码应该如下所示：

model = Sequential()
# the shape of one training example is
input_shape = tfidf_matrix[0].shape
model.add(Dense(units=20, activation='relu', input_shape=input_shape))
model.add(Dense(units=20, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', 
metrics=['accuracy'])
model.fit(tfidf_matrix, train_data['cuisine_id'], epochs=10)