ValueError：检查目标时出错：预期dense_16的形状为（1，），但数组的形状为（30，）

Question

我遇到了这个错误，从我从类似问题的答案中看到的所有内容，这是由于没有指定最后一层有 30 个神经元，因为您想要的输出是一个大小为 30 的数组。但这是不是我的情况，我已经指定了这一点，所以如果神经元的数量和输出形状完全匹配，我会发现这个错误很奇怪。下面是可能导致此错误的代码部分（images_gray 是一个 numpy 数组，由形状为 (2000, 128, 128) 的灰度图像组成，result_array 是大小为 30 的 numpy 数组的列表）。

images_gray = np.reshape(images_gray, (len(images_gray), img_rows, img_cols, 1))
to_shuffle = list(zip(images_gray, result_array))
random.shuffle(to_shuffle)
im_input, res_output = zip(*to_shuffle)
im_input, res_output = np.array(im_input[:10]), np.array(res_output[:10])
img_rows, img_cols, _ = np.shape(im_input[0])
input_shape = (img_rows, img_cols, 1)
if K.image_data_format() == 'channels_first':
    input_shape = (1, img_rows, img_cols)
model = buildCNN(input_shape)
adadelta = keras.optimizers.Adadelta(lr=0.5)
model.compile(loss="sparse_categorical_crossentropy",optimizer=adadelta,metrics=['accuracy'])
model.fit(im_input, res_output, batch_size=128, epochs=10, verbose=1)

这是buildCNN() 函数：

def buildCNN(input_shape):
    model = Sequential()
    model.add(Conv2D(32, kernel_size=(3,3),activation='relu',input_shape=input_shape))
    model.add(Conv2D(64, (3,3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2,2)))
    model.add(Dropout(0.25))
    model.add(Flatten())
    model.add(Dense(128,activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(30, activation='sigmoid'))
    return model

当我使用model.sumary() 时我得到了什么：

Answer 1

如果您的目标（y 值）的长度为 30，那么我假设您想要进行多类分类。在这种情况下，您在输出层中使用了错误的激活函数，应该是 softmax 而不是 sigmoid。

model.add(Dense(30, activation='softmax'))

sigmoid 用于二分类。

如果你想做二进制分类，那么你的目标（y 值）的长度应该是 1，而不是 30。

另外请注意，您很可能会收到另一个错误，因为如果您的目标值是 one-hot 编码的（假设它们是长度为 30 的数组），那么要选择的正确损失函数是 categorical_crossentropy。

sparse_categorical_crossentropy 损失用于当标签以整数形式提供时（不是 one-hot 编码）进行多类分类。

所以在one-hot编码标签的情况下，compile方法应该这样调用

model.compile(loss="categorical_crossentropy",optimizer=adadelta,metrics=['accuracy'])