使用自定义维度输入 tensorflow 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尺寸为 700x10 的二维数组。共有204个培训条目。 标签只是大小为 204 的一维数组（二进制输出）

我尝试只使用密集层：

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

然后我收到以下错误（与第一层的 input_shape 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

我在调试 Keras 代码时发现的：

在训练前的验证期间失败。它验证输出数组。

根据神经网络结构，第一个 Dense 层以某种方式产生 700 个一维输出，然后它失败了，因为我的输出只是包含 204 的一维数组。

我该如何克服这个问题？我试图在 Dense() 层之后添加 Flatten()，但它可能会以一种不好的方式影响准确性：我想保留特定于 700 个数组分组中的一个点的信息。

Answer 1

Dense 层仅适用于最后一个维度。

如果您向其输入(700,10)，它将输出(700,units)。检查您的model.summary() 以查看此内容。

一个简单的解决方案是在应用密集之前扁平化您的数据：

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能够分别理解这两个维度，您或许应该尝试更精细的结构。做什么很大程度上取决于你的数据是什么，你想做什么，你希望你的模型如何理解它等等。