具有 300 个单位的 Keras Dense 层输出的预期形状为 (1,)

Question

我想要一个简单的单层神经网络，它将一个 300 个数字的向量转换为另一个 300 个数字的向量。所以有：print(np.array(train_in).shape)print(np.array(train_t).shape)返回：(943, 300)(943, 300)我尝试以下操作：model = keras.Sequential()model.add(Dense(300, input_shape=(300,)))model.compile(optimizer=tf.train.AdamOptimizer(),           loss='sparse_categorical_crossentropy',          metrics=['accuracy'])model.fit(np.array(train_in), np.array(train_t), epochs=5)我越来越：ValueError: Error when checking target: expected dense_37 to have shape (1,) but got array with shape (300,)为什么预期目标有形状(1,)？一个有 300 个单位的层应该在输出上产生一个包含 300 个数字的向量，对吗？编辑：根据要求，这就是我的数据的样子：print(np.array(train_in))print(np.array(train_t))给出：[[-0.13841234  0.22157902  0.12244826 ... -0.10154381 -0.01824803  -0.08607237] [ 0.02228635  0.3353927   0.05389142 ... -0.23218463 -0.06550601   0.03365546] [ 0.22719774  0.25478157 -0.02882686 ... -0.36675575 -0.14722016  -0.22856475] ... [ 0.07122967  0.07579704  0.2376182  ... -0.5245226  -0.38911286  -0.5513026 ] [-0.05494669 -0.3587228   0.13438214 ... -0.6134821  -0.06194036  -0.46365416] [-0.16560836 -0.15729778  0.00067104 ... -0.01925305 -0.3984945   0.12297624]][[-0.20293862  0.27669927  0.19337481 ... -0.14366734  0.06025359  -0.1156549 ] [-0.02273261  0.20943424  0.26937988 ... -0.20701817 -0.03191033   0.03741883] [ 0.16326293  0.19438037  0.12544776 ... -0.37406632 -0.1527986  -0.29249507] ... [ 0.05573128  0.26873755  0.40287578 ... -0.65253705 -0.30244952  -0.68772614] [-0.02555208 -0.0485841   0.19109009 ... -0.2797842  -0.01007691  -0.53623134] [-0.30828896  0.04836991 -0.108813   ... -0.20583114 -0.40019956   0.11540392]]

Answer 1

问题是你的损失，稀疏分类交叉熵在这种情况下没有意义，因为它用于分类，而且你似乎没有分类问题。要执行 300 维向量的回归，则均方误差更有意义。

使用稀疏分类交叉熵的问题在于，这种损失假设模型输出一个标量（一个元素向量），并且在运行时进行检查，但此检查失败，这就是您收到错误的原因。

此外，准确性在回归设置中毫无意义。

model.compile(optimizer=tf.train.AdamOptimizer(), 
          loss='mean_squared_error')