0

我正在尝试通过 Keras 使用 Tensorflow 来构建一个使用时间序列数据来预测下一个值的网络，但是我收到了这个错误：

ValueError: Error when checking target: expected dense_84 to have 2 dimensions, but got array with shape (100, 9, 1)

这是什么原因造成的？我已经尝试按照其他帖子的建议重塑数据，但到目前为止无济于事。这是代码：

import keras
import numpy as np
import os
from keras import losses
from keras.models import Sequential
from keras.layers import Dense, Activation, Flatten, Dropout
from keras.layers.convolutional import Conv1D, Conv2D

# add the desktop to our path so we can access the data
os.path.join("C:\\Users\\user\\Desktop")
# import data
data = np.genfromtxt("C:\\Users\\user\\Desktop\\aapl_blocks_10.csv",
                     delimiter=',')
# separate into inputs and outputs
X = data[:, :9]
X = np.expand_dims(X, axis=2) # reshape (409, 9) to (409, 9, 1) for network
Y = data[:, 9]

# separate into test and train data
X_train = X[:100]
X_test = X[100:]
Y_train = Y[:100]
Y_test = Y[100:]

# set parameters
batch_size = 20;

# define model
model = Sequential()
model.add(Conv1D(filters=20,
                 kernel_size=5,
                 input_shape=(9, 1),
                 padding='causal'))
model.add(Flatten())
model.add(Dropout(rate=0.3))
model.add(Dense(units=10))
model.add(Activation('relu'))
model.add(Dense(units=1))
model.compile(loss=losses.mean_squared_error,
              optimizer='sgd',
              metrics=['accuracy'])

# train model
model.fit(X_train, Y_train, epochs=10, batch_size=batch_size)

# evaluate model
model.evaluate(X_test, Y_test, batch_size=batch_size)

这是模型摘要：

Layer (type)                 Output Shape              Param #
=================================================================
conv1d_43 (Conv1D)           (None, 9, 20)             120
_________________________________________________________________
flatten_31 (Flatten)         (None, 180)               0
_________________________________________________________________
dropout_14 (Dropout)         (None, 180)               0
_________________________________________________________________
dense_83 (Dense)             (None, 10)                1810
_________________________________________________________________
activation_29 (Activation)   (None, 10)                0
_________________________________________________________________
dense_84 (Dense)             (None, 1)                 11
=================================================================
Total params: 1,941
Trainable params: 1,941
Non-trainable params: 0

如果有适当的方法来格式化数据，或者可能有适当的方法来堆叠这些层，我很想知道。

4

1 回答 1

0

我怀疑您需要从输出中压缩通道尺寸，即 labes 是形状 (batch_size, 9)，并且您正在将其与具有 1 个通道的密集层的输出进行比较，该通道的大小为 (batch_size, 9, 1)。解决方案：在计算损失之前挤压/展平。

...
model.add(Activation('relu'))
model.add(Dense(units=1))
model.add(Flatten())
model.compile(loss=losses.mean_squared_error,
              optimizer='sgd',
              metrics=['accuracy'])

关于squeezevs的注释Flatten：在这种情况下，挤压（移除维度为 1 的轴）和展平（将形状 (batch_size, n, m, ...) 的某些东西变成形状 (batch_size, nm ... )的结果会是一样的。在这种情况下，挤压可能会更合适一些，因为如果你不小心挤压了一个没有维度 1 的轴，你会得到一个错误（一件好事），而不是让你的程序以意想不到的行为运行。我不'虽然没有使用 keras 并且找不到'Squeeze'层 - 只是一个squeeze功能 - 我不完全确定如何集成它。

于 2017-08-28T21:59:09.813 回答