输入具有自定义维度的张量流或Keras神经网络

Question

我想提供以下形状的神经网络输入：每个训练条目都是一个维度为700x10的2D数组。总共有204个训练条目。标签只是204大小的一维数组（二进制输出）

我试图只使用密集层：

model = Sequential()
model.add(Dense(300, activation='relu', input_shape=(700, 10)))
model.add(Dense(1, activation='sigmoid'))

但是我得到了以下错误（与第一层上的input\u形状无关，但在输出验证期间）：

ValueError: Error when checking target: expected dense_2 to have 3 dimensions, but got array with shape (204, 1)

204-训练数据量。

堆栈跟踪：

    model.fit(xTrain, yTrain, epochs=4, batch_size=6)
  File "keras\models.py", line 867, in fit
    initial_epoch=initial_epoch)
  File "keras\engine\training.py", line 1522, in fit
    batch_size=batch_size)
  File "keras\engine\training.py", line 1382, in _standardize_user_data
    exception_prefix='target')
  File "keras\engine\training.py", line 132, in _standardize_input_data

调试Keras代码时发现：

培训前验证失败。它验证输出数组。

根据神经网络的结构，第一个密集层以某种方式产生700个一维输出，然后失败，因为我的输出只是一个一维阵列，其中有204个。

我如何克服这个问题？我试图在Dense（）层之后添加Flatten（），但这可能会对精度产生不良影响：我希望将700个阵列中特定于一个点的信息分组。

Answer 1

密集层仅适用于一个维度，即最后一个维度。

如果您正在向其输入（700,10），它将输出（700，单位）。检查您的型号。summary（）查看此内容。

一个简单的解决方案是在应用dense之前将数据展平：

model.add(Flatten(input_shape=(700,10)))
model.add(Dense(300,...))
model.add(Dense(1,...))

这样，密集层将看到一个简单的（7000，）输入。

现在，如果您确实希望您的模型单独理解这两个维度，您可能应该尝试更详细的结构。做什么将在很大程度上取决于您的数据是什么和您想做什么，您希望您的模型如何理解它，等等。