使用 keras 库指定 Dense

我稍微误解了如何为我的数据创建一个简单的序列。

数据具有以下维度：

X_train.shape
(2369, 12)

y_train.shape
(2369,)

X_test.shape
(592, 12)

y_test.shape
(592,)

这就是我创建模型的方式：

batch_size = 128
nb_epoch = 20
in_out_neurons = X_train.shape[1] 
dimof_middle = 100

model = Sequential()
model.add(Dense(batch_size, batch_input_shape=(None, in_out_neurons)))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(batch_size))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(in_out_neurons))
model.add(Activation('linear'))

# I am solving the regression problem, not the classification one
model.compile(loss="mean_squared_error", optimizer="rmsprop") 

history = model.fit(X_train, y_train,
                    batch_size=batch_size, nb_epoch=nb_epoch,
                    verbose=1, validation_data=(X_test, y_test))

错误信息：

异常：检查模型输入时出错：预期的dense_input_14为 具有形状 (None, 1) 但获得形状为 (2369, 12)ç 的数组

错误是：

检查模型目标时出错：预期activation_42具有形状 (无, 12) 但得到形状为 (2369, 1) 的数组

该错误发生在以下行：

model.add(Dense(in_out_neurons))

如何改变Dense让它发挥作用？

另一个问题是如何添加一个简单的自动编码器来初始化 ANN 的权重？

您的问题之一是您似乎误解了批次是什么。 一批是一次计算的训练样本数量，因此不要从以下位置计算一个训练样本X_train一次使用，例如一次 100 个。这里重要的是，这与您的模型无关。

所以当你写的时候

model.add(Dense(batch_size, batch_input_shape=(None, in_out_neurons)))

然后创建一个输出大小为一批的全连接层。这没有多大意义。

另一个问题是你的模型的输出是 12 个神经元，而你的Y只有一个值/神经元。你的模型看起来像这样：

  |
  v
[128]
[128]
[ 12]
  |
  v

然后呢fit()是的，它输入一个形状矩阵(128, 12) ((batch size, X_train.shape[1])）进入模型并尝试比较形状的输出(128,12)从最后一层到对应的Y批次的值（形状(128,1)).