时间戳

首页 > 解决方案 > 使用 Keras 的多类分类中的数组形状错误

python - 使用 Keras 的多类分类中的数组形状错误

问题描述

我有一个由一个输入（一个整数）和一个输出组成的数据集，成为一个标签，例如：

3042,0
3338,1
1162,3
1605,2
...

所以最后一列应该成为标签的单热编码（使用 Keras 的 to_categorical()），例如：

[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 0. 1.]
 [0. 0. 1. 0.]]

我的输入和输出形状是

X_data.shape: (2407060,)
y_data.shape: (2407060, 4)

但是，我收到一个错误，即我的输出应该具有形状 (1,) 而不是 (4,)，即使我的最后一层有 4 个输出。

Using TensorFlow backend.
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_1 (Dense)              (None, 16)                32
_________________________________________________________________
                                ...
_________________________________________________________________
dense_9 (Dense)              (None, 4)                 68
=================================================================
Total params: 63,156
Trainable params: 63,156
Non-trainable params: 0
_________________________________________________________________

ValueError: Error when checking target: expected dense_9 to have shape (1,) but got array with shape (4,)

这是代码：

model = Sequential()
model.add(Dense(16, activation='sigmoid', input_dim=1))
model.add(Dense(32, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(128, activation='relu'))
model.add(Dense(256, activation='relu'))
model.add(LeakyReLU())
model.add(Dense(64, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(4, activation='sigmoid'))

model.compile(optimizer='nadam',
              loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.summary()

X_data = np.loadtxt(data_file, delimiter=',', usecols=(3))
y_data = to_categorical(np.loadtxt(data_file, delimiter=',', usecols=(7)))

model.fit(X_data, y_data, epochs=20, validation_split=0.3, verbose=1, callbacks=[cp_callback])

到底是怎么回事？

标签： pythonnumpytensorflowmachine-learningkeras

解决方案

如果输出是单热格式，则应将损失函数更改为 categorical_crossentropy。

[1,0,0] [0,1,0] [0,0,1]

如果目标是整数，则可以使用 sparse_categorical_crossentropy。

1、2、3

推荐阅读