TensorFlow/Keras：输出层的形状错误

Question

我已经在互联网上搜索了几天，试图找到解决此错误的方法，但我找不到任何特别适用的内容：ValueError: Error when checking target: expected dense_2 to have shape (300,) but got array with shape (60,)这是生成错误的代码（数据预处理除外）：model = keras.Sequential([keras.layers.Conv1D(5,input_shape=(1,60), kernel_size=12, padding='same'), keras.layers.Conv1D(10, padding='same',activation=tf.nn.relu, kernel_size=10),keras.layers.Conv1D(20, padding='same',activation=tf.nn.relu, kernel_size=6),keras.layers.Conv1D(30, padding='same',activation=tf.nn.relu, kernel_size=5),keras.layers.Flatten(),keras.layers.Dense(70, activation="relu"),keras.layers.Dense(300,activation="tanh")])model.compile(optimizer=tf.train.AdamOptimizer(0.001),loss='mse',metrics=['mae'])model.fit(traindata,trainlabels, epochs=10, batch_size=int(len(traindata)/60))我不确定是什么导致了这个错误，但我做了一些故障排除来尝试缩小可能性。我尝试的第一件事是尝试运行 TensorFlow 网站上的一个示例，我选择了位于此处的 MNIST 时尚示例。这运行没有错误，并且训练得很好，所以我不认为这是我的 TensorFlow 或 Python 下载中的错误。然后我尝试复制在 MNIST 时尚示例中使用的模型来测试它是否是我的模型中的错误。这是代码：model = keras.Sequential([    keras.layers.Flatten(input_shape=(60,)),    keras.layers.Dense(128, activation=tf.nn.relu),    keras.layers.Dense(10, activation=tf.nn.softmax)])model.compile(optimizer=tf.train.AdamOptimizer(),loss = 'sparse_categorical_cross_entropy',metrics = ['accuracy'])我对模型所做的唯一更改是第一层的输入形状，以便它能够接收我的数据。但是错误仍然存在：ValueError: Error when checking target: expected dense_1 to have shape (10,) but got array with shape (60,)我尝试的最后一件事是制作我自己的密集模型，该模型将接收通过np.random.random.这是整个文件：import tensorflow as tffrom tensorflow import kerasimport numpy as npimport matplotlib.pyplot as pltdata = np.random.random((50,60))datalabels = np.random.random((50,60))model = keras.Sequential([keras.layers.Dense(128,input_shape=(60,), activation="relu"),keras.layers.Dense(50, activation="relu"),keras.layers.Dense(10, activation="tanh")这个错误最让我困惑的是它只在输出层出现错误。如果我在模型的末尾添加另一层，该层将出错，除非输出层中的单元数等于模型输入的形状（例如：input_shape=(60,)最后一层单元数等于到 60）。有谁知道为什么会发生这种情况？

Answer 1

使用model.summary()，你会看到每一层的输出形状。在您提供的第一个示例中，最后一层的输出形状（也是模型的输出形状）是(None, 300). 这意味着它需要形状标签(300,)（即每个标签的形状）。然而，似乎标签数组在调用时提供的模型fit，即trainlabels，有一个形状(num_samples, 60)。而它必须与模型的输出形状一致，因此形状为(num_samples, 300)。同样的事情适用于您提到的所有其他失败示例。