model.prediction() 由于形状不匹配而失败
model.prediction() fails due to mismatch of shapes
我使用新 tf.keras 版本 2.2.4-tf 训练了一个简单的 MLP 模型。这是模型的样子：
input_layer = Input(batch_shape=(138, 28))
first_layer = Dense(30, activation=activation, name="first_dense_layer_1")(input_layer)
first_layer = Dropout(0.1)(first_layer, training=True)
second_layer = Dense(15, activation=activation, name="second_dense_layer")(first_layer)
out = Dense(1, name='output_layer')(second_layer)
model = Model(input_layer, out)
我在尝试进行预测时遇到错误 prediction_result = model.predict(test_data, batch_size=138)。 test_data 的形状为 (69, 28)，因此它小于 batch_size 的 138。这是错误，问题似乎来自第一个 dropout 层：
tensorflow.python.framework.errors_impl.InvalidArgumentError: Incompatible shapes: [138,30] vs. [69,30]
[[node model/dropout/dropout/mul_1 (defined at ./mlp_new_tf.py:471) ]] [Op:__inference_distributed_function_1700]
相同的解决方案在旧版本的 keras (2.2.4) 和 tensorflow (1.12.0) 中没有问题。我该如何解决这个问题？我没有更多的数据用于测试，所以我无法更改 test_data 集以拥有更多的数据点！
由于您是在预测时发现问题的，因此解决此问题的一种方法是将测试数据填充为批量大小的倍数。它不应该减慢预测速度，因为批次数不会改变。 numpy.pad 应该可以解决问题。
我使用新 tf.keras 版本 2.2.4-tf 训练了一个简单的 MLP 模型。这是模型的样子：
input_layer = Input(batch_shape=(138, 28))
first_layer = Dense(30, activation=activation, name="first_dense_layer_1")(input_layer)
first_layer = Dropout(0.1)(first_layer, training=True)
second_layer = Dense(15, activation=activation, name="second_dense_layer")(first_layer)
out = Dense(1, name='output_layer')(second_layer)
model = Model(input_layer, out)
我在尝试进行预测时遇到错误 prediction_result = model.predict(test_data, batch_size=138)。 test_data 的形状为 (69, 28)，因此它小于 batch_size 的 138。这是错误，问题似乎来自第一个 dropout 层：
tensorflow.python.framework.errors_impl.InvalidArgumentError: Incompatible shapes: [138,30] vs. [69,30]
[[node model/dropout/dropout/mul_1 (defined at ./mlp_new_tf.py:471) ]] [Op:__inference_distributed_function_1700]
相同的解决方案在旧版本的 keras (2.2.4) 和 tensorflow (1.12.0) 中没有问题。我该如何解决这个问题？我没有更多的数据用于测试，所以我无法更改 test_data 集以拥有更多的数据点！
由于您是在预测时发现问题的，因此解决此问题的一种方法是将测试数据填充为批量大小的倍数。它不应该减慢预测速度，因为批次数不会改变。 numpy.pad 应该可以解决问题。