使用 Keras 的 Tensorflow：ValueError - 预期 dense_84 具有 2 个维度，但得到形状为 (100, 9, 1) 的数组

Question

我正尝试通过 Keras 使用 Tensorflow 构建一个使用时间序列数据预测下一个值的网络，但我收到此错误：

ValueError: Error when checking target: expected dense_84 to have 2 dimensions, but got array with shape (100, 9, 1)

这是什么原因造成的？我试过按照其他帖子的建议重塑数据，但到目前为止无济于事。这是代码：

import keras
import numpy as np
import os
from keras import losses
from keras.models import Sequential
from keras.layers import Dense, Activation, Flatten, Dropout
from keras.layers.convolutional import Conv1D, Conv2D

# add the desktop to our path so we can access the data
os.path.join("C:\Users\user\Desktop")
# import data
data = np.genfromtxt("C:\Users\user\Desktop\aapl_blocks_10.csv",
                     delimiter=',')
# separate into inputs and outputs
X = data[:, :9]
X = np.expand_dims(X, axis=2) # reshape (409, 9) to (409, 9, 1) for network
Y = data[:, 9]

# separate into test and train data
X_train = X[:100]
X_test = X[100:]
Y_train = Y[:100]
Y_test = Y[100:]

# set parameters
batch_size = 20;

# define model
model = Sequential()
model.add(Conv1D(filters=20,
                 kernel_size=5,
                 input_shape=(9, 1),
                 padding='causal'))
model.add(Flatten())
model.add(Dropout(rate=0.3))
model.add(Dense(units=10))
model.add(Activation('relu'))
model.add(Dense(units=1))
model.compile(loss=losses.mean_squared_error,
              optimizer='sgd',
              metrics=['accuracy'])

# train model
model.fit(X_train, Y_train, epochs=10, batch_size=batch_size)

# evaluate model
model.evaluate(X_test, Y_test, batch_size=batch_size)

这是模型摘要：

Layer (type)                 Output Shape              Param #
=================================================================
conv1d_43 (Conv1D)           (None, 9, 20)             120
_________________________________________________________________
flatten_31 (Flatten)         (None, 180)               0
_________________________________________________________________
dropout_14 (Dropout)         (None, 180)               0
_________________________________________________________________
dense_83 (Dense)             (None, 10)                1810
_________________________________________________________________
activation_29 (Activation)   (None, 10)                0
_________________________________________________________________
dense_84 (Dense)             (None, 1)                 11
=================================================================
Total params: 1,941
Trainable params: 1,941
Non-trainable params: 0

如果有格式化数据的正确方法，或者堆叠这些层的正确方法，我很想知道。

Answer 1

我怀疑您需要从输出中压缩通道维度，即标签是形状 (batch_size, 9) 并且您将其与具有 1 个通道的密集层的输出进行比较大小 (batch_size, 9, 1)。解决方法：squeeze/flatten计算损失前

...
model.add(Activation('relu'))
model.add(Dense(units=1))
model.add(Flatten())
model.compile(loss=losses.mean_squared_error,
              optimizer='sgd',
              metrics=['accuracy'])

关于 squeeze 与 Flatten 的注释：在这种情况下，挤压（移除维度 1 的轴）和展平（制作形状为 (batch_size， n, m, ...) 变成形状 (batch_size, nm...) 将是相同的。在这种情况下挤压可能稍微更合适，因为如果你不小心挤压了一个没有维度 1 的轴你会得到一个错误（一件好事），而不是让你的程序运行出现意外行为。虽然我不怎么使用 keras，但找不到 'Squeeze' 层 - 只是一个 squeeze 函数 - 我不太确定如何集成它。

使用 Keras 的 Tensorflow：ValueError - 预期 dense_84 具有 2 个维度，但得到形状为 (100, 9, 1) 的数组

Tensorflow with Keras: ValueError - expected dense_84 to have 2 dimensions, but got array with shape (100, 9, 1)

shape

keras

tensorflow

valueerror