如何解决 keras 拟合函数错误“所有输入数组 (x) 应具有相同数量的样本”？答案

【问题标题】：How to solve keras fit function error "All input arrays (x) should have the same number of samples"?如何解决 keras 拟合函数错误“所有输入数组 (x) 应具有相同数量的样本”？
【发布时间】：2019-10-28 05:47:47
【问题描述】：

我以Integrating CITEseq data with Deep Learning 为例。代码一直工作到示例的第三部分，它应该训练自动编码器。由于我是 keras 模型的新手，我基本上只是复制和粘贴代码，所以我不知道网站上的那个是如何工作的，而我的不是。

我已经尝试从

改变 fit funcion

estimator = autoencoder.fit([X_scRNAseq, X_scProteomics],
                            [X_scRNAseq, X_scProteomics],
                            epochs = 100, batch_size = 128,
                            validation_split = 0.2, shuffle = True, verbose = 1)

到

estimator = autoencoder.fit([X_scRNAseq, X_scRNAseq],
                            [X_scRNAseq, X_scRNAseq],
                            epochs = 100, batch_size = 128,
                            validation_split = 0.2, shuffle = True, verbose = 1)

为了解决相同数量的样本问题，它确实有效，但这并没有按照应有的方式训练自动编码器。

X_scRNAseq 和 X_scProteomics 都是形状分别为 (36280, 8617) 和 (13, 8617) 的 numpy 数组。模型总结为：

Model: "model_1"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
scRNAseq (InputLayer)           (None, 8617)         0                                            
__________________________________________________________________________________________________
scProteomics (InputLayer)       (None, 8617)         0                                            
__________________________________________________________________________________________________
Encoder_scRNAseq (Dense)        (None, 50)           430900      scRNAseq[0][0]                   
__________________________________________________________________________________________________
Encoder_scProteomics (Dense)    (None, 10)           86180       scProteomics[0][0]               
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 60)           0           Encoder_scRNAseq[0][0]           
                                                                 Encoder_scProteomics[0][0]       
__________________________________________________________________________________________________
Bottleneck (Dense)              (None, 50)           3050        concatenate_1[0][0]              
__________________________________________________________________________________________________
Concatenate_Inverse (Dense)     (None, 60)           3060        Bottleneck[0][0]                 
__________________________________________________________________________________________________
Decoder_scRNAseq (Dense)        (None, 8617)         525637      Concatenate_Inverse[0][0]        
__________________________________________________________________________________________________
Decoder_scProteomics (Dense)    (None, 8617)         525637      Concatenate_Inverse[0][0]        
==================================================================================================
Total params: 1,574,464
Trainable params: 1,574,464
Non-trainable params: 0
__________________________________________________________________________________________________

我尝试应用 fit 函数时遇到的错误是：

ValueError: All input arrays (x) should have the same number of samples. Got array shapes: [(36280, 8617), (13, 8617)]

谢谢！

【问题讨论】：

标签： python keras autoencoder data-integration

【解决方案1】：

Keras 期望输入数据的第一个轴是样本数。正如你所说，X_scRNAseq 的形状是(36280, 8617)，X_scProteomics 的形状是(13, 8617)。 Keras 期望第一个轴是样本数，在这种情况下不正确。

我相信，解决方案是像这样重塑 X_scRNAseq 和 X_scProteomics：

X_scRNAseq = np.swapaxes(X_scRNAseq, 0, 1)   #(8617, 36280)
X_scProteomics = np.swapaxes(X_scProteomics, 0, 1)  #(8617, 13)

然后，拟合你的模型：

estimator = autoencoder.fit([X_scRNAseq, X_scProteomics],
                            [X_scRNAseq, X_scProteomics],
                            epochs = 100, batch_size = 128,
                            validation_split = 0.2, shuffle = True, verbose = 1)

【讨论】：