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')