Keras ValueError：检查目标时出错：预期dense_1有3个维度

Question

我正在使用带有 tensorflow 后端的 keras，并且在为我的模型确定图层的正确形状时遇到了问题。我已经阅读了关于各种 keras 层属性差异的有用解释。这是我的模型的架构：我正在尝试使用分类标签进行二元分类（逻辑回归），因此最后一层是具有 1 个单元的 Dense 层，我认为对于正类评估为 1，对于负类评估为 0。这是我的模型的总结：我在网络一侧的输入是 10158，另一侧是 20316。我总共有 1370 个样本。我的 train_data 的形状是 (1370, 1, 10158)，标签的形状是 (1, 1370)，批量大小是 100。input_layer = Input(shape=(1,no_terms), name='docs')s = Lambda(lambda x: x+1)(input_layer)log_layer = Lambda(log, name='tf_output')(input_layer)tpr_fpr = np.zeros((2, no_terms))tpr_fpr[0,:] = np.sum(train_docs[np.where(train_label>0), :]>0, axis=1                      )/np.sum(train_label>0) * (1000)tpr_fpr[1,:] = np.sum(train_docs[np.where(train_label>0), :]>0, axis=1                     )/np.sum(train_label <= 0) * (1000)k_constants = backend.constant(np.reshape(tpr_fpr.T, (1,2*no_terms)))fixed_input = Input(tensor=k_constants, shape=(1, 2*no_terms), name='tpr_fpr')h = Dense(int(300), activation='relu', name='hidden', input_shape=(1, 2*no_terms),           trainable=True)(fixed_input)h = Dropout(0.2, name="D")(h)cd = Dense(units=no_terms, activation='relu', name='cd', trainable=True)(h)prod = Multiply()([log_layer, cd])o = Lambda(lambda x:(x/backend.sqrt(backend.sum(x * x,axis=1,keepdims=True))))(prod)o = ReLU(max_value=None, negative_slope=0.0, threshold=0.0)(o)o = Dense(1, activation='sigmoid', input_shape=(no_terms,))(o)model_const = Model(fixed_input,cd)model = Model([input_layer, fixed_input], o)op = optimizers.RMSprop(learning_rate=.1, rho=0.9)model.compile(optimizer=op, loss=mean_squared_error, metrics=['accuracy'])plot_model(model, to_file='model.png')model.summary()batchSize = 100这是我得到的错误：“ValueError：检查目标时出错：预期dense_1有3个维度，但得到了形状为（1430、2）的数组”我不知道 (1430, 2) 形状指的是什么以及为什么会出现此错误。

Answer 1

您确实确实直接解决了问题-方法如下：

• Keras 二进制分类期望标签（“目标”）形状为(batch_size, 1). 原因：最后一层的目标是输出预测，将其与标签进行比较以计算指标（损失、准确性等） - 并且标签被塑造(batch_size, 1)

• 以上也是问题所在 - 请参阅下面文档to_categorical中的片段；对于二进制分类，one-hot 编码是多余的，因为直接将标签与提供的预测进行比较binary_crossentropy

• KerasDense期望输入是 2D: (batch_size, input_dim). 您的重塑使输入 3D：(batch_size, 1, input_dim)

• 以上也是shape=(1, no_terms)-->shape=(no_terms,)帮助的原因；事实上，两者都适合您当时提供的数据形状。完整的批次形状仅包括批次暗淡：(batch_size, no_terms)( no_terms == input_dim)

• 最后，对于二元分类，loss='binary_crossentropy'对分类问题使用 - 而不是均方误差（除非出于非常特殊的原因）

# Consider an array of 5 labels out of a set of 3 classes {0, 1, 2}:

> labels

array([0, 2, 1, 2, 0])

# `to_categorical` converts this into a matrix with as many

# columns as there are classes. The number of rows

# stays the same.

> to_categorical(labels)

array([[ 1.,  0.,  0.],

       [ 0.,  0.,  1.],

       [ 0.,  1.,  0.],

       [ 0.,  0.,  1.],

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

Answer 2

好吧，我找到了错误的解决方案，但仍然无法理解为什么以前的形状没有成功，坦率地说，这个修复在无数次尝试和错误中取得了成功。

我将以下图层输入从形状格式 (1, x) 更改为 (x,) 格式：

    input_layer = Input(shape=(no_terms,), name='docs')

    k_constants = backend.constant(np.reshape(tpr_fpr.T, (1,2*no_terms)))

    fixed_input = Input(tensor=k_constants, shape=(2*no_terms,), name='tpr_fpr')

    h = Dense(int(300), activation='relu', name='hidden', input_shape=(2*no_terms,), trainable=True)(fixed_input)

    o = ReLU(max_value=None, negative_slope=0.0, threshold=0.0)(o)

    o = Dense(1, activation='sigmoid', input_shape=(no_terms,))(o)

并且还从代码中删除了以下几行：

    train_docs.shape = (train_docs.shape[0], 1, train_docs.shape[1])

    train_label = to_categorical(train_label, num_classes=2, dtype='float32')

现在我只使用形状标签 (#no_of_samples, 1)，它是二进制而不是分类标签。

所以新的结构是： 

我希望有人可以解释以前的模型有什么问题，所以我会避免再次犯同样的错误。

Answer 3

检查目标：预期dense_1有3维，但得到的数组形状为(1430, 2)"

这意味着 dense_1 有 3 个维度，但如果您在图像处理中设计此模型，则您的输入只有 2 个维度，在这种情况下，您已声明图像形状 yhat 为 ((48,48),1) & ((48,48),3 ) 这里 1 用于灰度，3 用于 rgb 图像