将形状(32，3)的目标数组传递给形状(None，15，15，3)的输出，同时使用as loss `categorical_crossentropy`
将形状(32, 3)的目标数组传递给形状(None, 15, 15, 3)的输出，同时使用as loss categorical_crossentropy。
这个问题涉及到深度学习中的目标数组传递和损失函数的选择。下面是对这个问题的完善且全面的答案：
- 目标数组传递：将形状(32, 3)的目标数组传递给形状(None, 15, 15, 3)的输出，意味着我们需要将原始的目标数组进行转换，使其符合输出的形状要求。在这个例子中，原始的目标数组是一个形状为(32, 3)的二维数组，其中32表示样本数量，3表示每个样本的类别数量。而输出的形状要求是(None, 15, 15, 3)，其中None表示样本数量可以是任意值，15表示输出的图像尺寸，3表示每个像素的通道数。
- 为了将形状(32, 3)的目标数组转换为形状(None, 15, 15, 3)，我们可以使用一些数据处理的方法，例如重采样、插值等。具体的方法取决于数据的特点和需求。在深度学习中，常用的方法是使用图像处理库（如OpenCV）对目标数组进行调整和变换，以满足输出形状的要求。
- 损失函数的选择：在这个问题中，要求使用
categorical_crossentropy作为损失函数。categorical_crossentropy是一种常用的多类别分类损失函数，适用于目标数组中每个样本的类别是互斥的情况。它基于交叉熵的概念，用于衡量模型预测结果与真实标签之间的差异。 - 在深度学习中，选择合适的损失函数对模型的训练和优化非常重要。除了
categorical_crossentropy，还有其他常用的损失函数，如mean_squared_error（均方误差）、binary_crossentropy（二分类交叉熵）等。选择损失函数应根据具体的任务和数据特点进行权衡和选择。
综上所述，对于将形状(32, 3)的目标数组传递给形状(None, 15, 15, 3)的输出，同时使用categorical_crossentropy作为损失函数，我们需要对目标数组进行转换以满足输出形状的要求，并选择合适的损失函数进行模型训练和优化。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云图像处理服务：https://cloud.tencent.com/product/tci
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tfjs
- 腾讯云深度学习平台：https://cloud.tencent.com/product/tfjs
相关·内容
model = tf.keras.Sequential()
model.add(layers.Embedding(input_dim=2954, output_dim=64))
model.add(layers.LSTM(128))
model.add(layers.Dense(10))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
model.summary()
ValueError:一个形状为(12954)的
浏览 3提问于2020-03-26得票数 0
import tensorflow as tf
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
training_set = train_datagen.flow_from_directory(
'animals/trainin
浏览 26提问于2020-06-10得票数 0
回答已采纳
下面的代码给出了错误的ValueError: Shapes (None, 3, 2) and (None, 2) are incompatible。我想要做的是建立一个多任务网络。我该怎么解决呢？我正在使用Tensorflow 2.3.0。
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import GlobalAveragePooling2D, Dense, Dropout
from tensorflow.keras import Model
base_model = tf.keras.ap
浏览 5提问于2020-10-17得票数 5
回答已采纳
2回答
我正在尝试使用LSTM对时间序列数据进行多类分类。
训练集具有维度( 390,179)，即390个对象，每个对象具有179个时间步长。
有37个可能的类。
我想使用一个只有LSTM和激活层的Keras模型来对输入数据进行分类。
在LSTM的每个步骤中，我还需要通过模型传递的所有训练数据和测试数据的隐藏状态(而不仅仅是最终状态)。
我知道return_sequences=True是必需的，但我在尺寸匹配方面遇到了麻烦。
下面是我尝试过的一些代码，但我已经尝试了大量来自stackexchange和git问题的其他调用组合。在所有这些模型中，我都会遇到一些尺寸不匹配的问题。
我不知道如何从模型中提取
浏览 31提问于2019-08-23得票数 1
回答已采纳
1回答
我正在产生一个一维卷积，对我的数据的输入形状有一些问题。我看了一些帖子，似乎错误是数据必须是3D的，但我的数据已经是3D的了。
# shape
# x_train shape: (1228, 1452, 20)
# y_train shape: (1228, 1452, 8)
# x_val shape: (223, 680, 20)
# x_val shape: (223, 680, 8)
###
n_outputs = 8
n_timesteps = 1452
n_features = 20
model = Sequential()
model.add(Conv1D(filters=6
浏览 1提问于2019-05-17得票数 2
回答已采纳
我一直在尝试用TFLearn训练一个数据集来实现一个卷积神经网络。我有10个类的数据集，图像大小为64*32，3个输入通道和2个输出，即图像检测/未检测。
这是我的密码。
# Load the data set
def read_data():
with open("deep_logo.pickle", 'rb') as f:
save = pickle.load(f)
X = save['train_dataset']
Y = save['train_labels']
浏览 3提问于2017-07-07得票数 0
我知道，已经有一些这样的问题，但我找不到任何解决这个问题的方法。 我创建了一个这样的模型： def CreateModel(optimizer=optimizer, loss=loss, learn_rate=learn_rate, activity_regularizer=activity_regularizer):
model = keras.Sequential([
keras.layers.Conv2D(32,3,input_shape=(9,21,1)),
keras.layers.Flatten(),
浏览 41提问于2020-10-28得票数 1
回答已采纳
1回答
我已经在Keras训练了一个RNN。现在，我想要得到训练权重的值：
model = Sequential()
model.add(SimpleRNN(27, return_sequences=True , input_shape=(None, 27), activation = 'softmax'))<br>
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy
浏览 0提问于2018-04-14得票数 1
1回答
型号：
model = Sequential()
act = 'relu'
model.add(Dense(430, input_shape=(3,)))
model.add(Activation(act))
model.add(Dense(256))
model.add(Activation(act))
model.add(Dropout(0.4))
model.add(Dense(148))
model.add(Activation(act))
model.add(Dropout(0.3))
model.add(Dense(1))
model.add(Activati
浏览 14提问于2017-07-05得票数 2
回答已采纳
我正在实现LeNet-5模型。我在一个时期内的随机时期和随机步长上得到以下错误。有时它就能正常工作，没有任何问题。
我尝试用imageDataGenerator替换输入的x_train和y_train
到我所面临问题的代码。
Epoch 1/200
1/10 [==>...........................] - ETA: 3s - loss: 0.1823 - accuracy: 0.9375
---------------------------------------------------------------------------
InvalidArgume
浏览 99提问于2021-05-15得票数 2
我试图在一个由40x40灰度图像组成的数据集上训练一个模型，我得到了这个错误：
categorical_crossentropy**.：形状为(32，5)的目标数组被传递给形状输出(无，4)，同时用作丢失ValueError。此损失期望目标具有与输出相同的形状。**
我不知道(32，5)数组应该来自哪里(32，4)，所以我不知道要更改什么。有什么建议吗？
image_generator = ImageDataGenerator(#rescale = 1/255,
shear_range = 0.3,
浏览 3提问于2020-06-18得票数 0
3回答
我使用二维数据在一个分类问题上使用角点。
因此，我定义了一个keras模型如下：
in_ = Input((5, 10))
out = Dense(100, activation='relu', name = 'dense_1')(in_)
model = Model(in_, out)
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.summary()
它返回具有下列参数的已编译模型：
________________________
浏览 0提问于2018-12-13得票数 5
2回答
(X,Y),(test_x,test_y)=cifar.load_data(one_hot=True)
X=X.reshape([-1,32,32,3])
test_x=test_x.reshape([-1,32,32,3])
convnet=input_data(shape=[None,32,32,3],name='input')
convnet=conv_2d(convnet,32,3,activation='relu')
convnet=max_pool_2d(convnet,2)
convnet=conv_2d(convnet,64,3,acti
浏览 19提问于2017-02-27得票数 1
1回答
我使用Keras/TF的模型如下：
conv = Conv2D(4, 3, activation = None, use_bias=True)(inputs)
conv = Conv2D(2, 1, activation = None, use_bias=True)(conv)
model = Model(input = inputs, output = conv)
model.compile(optimizer=Adam(lr=1e-4), loss=keras.losses.mean_absolute_error)
在model.fit中，我收到一个错误：
ValueError:检
浏览 0提问于2019-01-02得票数 5
回答已采纳
1回答
from keras.datasets import mnist
from keras.layers import Activation,Dense,Convolution2D
from keras.models import save_model,load_model,Sequential
from keras.callbacks import TensorBoard
import matplotlib.pyplot as pl
(xtrain,ytrain),(xtest,ytest)=mnist.load_data()
model = Sequential()
model.add(Co
浏览 0提问于2019-03-06得票数 1
回答已采纳
这就是我想要运行的代码
X_train = data1/255.0
from sklearn.preprocessing import LabelBinarizer
lb = LabelBinarizer()
trainY =lb.fit_transform(label)
from tensorflow.keras.models import Model
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import AveragePooling2D
from tensorflow.keras
浏览 2提问于2022-10-17得票数 -1
回答已采纳
我有一个Keras模型，用于多类分类问题。我要这么做：
model.compile(
loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'],
)
我现在有大约100个特性，还有大约2000种可能的课程。一个热编码类会导致内存问题。
是否可以在这个Keras模型中使用categorical_crossentropy，而不是对类标签进行一次热编码。例如，与其让目标看起来像：
[0, 0, 0, 1, 0, 0, ...]
只是：
3
我查
浏览 1提问于2018-11-01得票数 6
我在下面的Keras模型中得到了一个错误(Shapes (None, 2) and (None, 10)) are incompatible：
from keras.layers import Dense, Activation
model=Sequential()
model.add(Dense(1000, input_dim=25088,
activation='relu',kernel_initializer='uniform'))
keras.layers.core.Dropout(0.3, noise_shape=None, seed=None)
m
浏览 2提问于2022-10-08得票数 -1
1回答
我试图通过显式地应用梯度来限制我的模型的权重；而淋浴，这是不起作用的，我不知道为什么。
我用以下函数定义模型：
def init_model(num_hidden_layers=2, num_neurons_per_layer=64):
model = tf.keras.Sequential()
model.add(tf.keras.Input(shape=(2,)) )
for _ in range(num_hidden_layers):
model.add(tf.keras.layers.Dense(num_neurons_per_layer,
浏览 8提问于2022-08-01得票数 0
1回答
我对神经网络都很陌生。我有一个三维关节位置数据集(6400*23*3)和四元数方向数据集(6400*23*4)，我想预测所有22个关节和3个运动平面(6400* 22 *3)的关节角度。我试图建立一个模型，但是它不会运行，因为输入数据与输出形状不匹配，我也想不出如何更改它。
我的代码
import scipy
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling2D, Dense, Flatten
from
浏览 1提问于2019-11-01得票数 0
回答已采纳
我在试着让这个模型发挥作用。最初，x.shape是(6703，56)，y.shape是具有形状(6703，)的二进制列。然后我跑了
y = y.to_numpy()
y = y.astype("float32")
y = tf.keras.utils.to_categorical(y, 2)
现在y.shape是(6703，2)。我跑
X_train, X_test, Y_train, Y_test = train_test_split(x, y, test_size=0.2, random_state=42)
而现在
X_train形状为(5362 )，56)Y_train形
浏览 10提问于2021-12-21得票数 1
我构建了一个seq2seq模型如下：
latent_dim = 256
epochs = 20
batch_size = 64
encoder_inputs = Input(shape=(None,))
x = Embedding(num_encoder_tokens, latent_dim,input_length=max_english_sentence_length)(encoder_inputs)
x, state_h, state_c = LSTM(latent_dim,return_state=True)(x)
encoder_states = [state_h, state_c]
浏览 1提问于2022-09-29得票数 0
回答已采纳
2回答
我有这样的代码可以很好的工作。
input_shape = (1,3000,1000)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(32,3,activation='relu',input_shape=(3000,1000))(x)
print(y.shape)
(1,2998，32)
我想在此基础上建立一个顺序模型，但当我尝试fit时，它在维度上给我带来了错误。
让我们来制作标签
l = np.random.randint(0,2,3000)
然后是模型和编译器。
m = tf.keras
浏览 3提问于2021-03-17得票数 0
我正在构建一个模型，将文本分类为9个层之一，并且在运行它时出现了这个错误。激活1似乎是指卷积层的输入，但我不确定输入有什么问题。
num_classes=9
Y_train = keras.utils.to_categorical(Y_train, num_classes)
#Reshape data to add new dimension
X_train = X_train.reshape((100, 150, 1))
Y_train = Y_train.reshape((100, 9, 1))
model = Sequential()
model.add(Conv1d(1, ker
浏览 0提问于2019-10-07得票数 0
1回答
我想重建输入层的输出形状，例如，如果它是(无，42)，我从第一个神经元开始，取第一个到第七个，然后向右滑动一个神经元，取第二个到第八个，依此类推。这样，输出层将是形状(无，36，7)。 我正在使用keras.layers.Lambda()层来做这件事，但是它不能正常工作，而且尺寸也不是我所期望的。我写的代码如下： Inpt_lyr = keras.Input(shape = (42,))
for k in range(42 - 7 + 1):
F = keras.layers.Lambda(lambda x, i, j: x[:,j : j + i])
F.arguments
浏览 15提问于2019-08-25得票数 2
回答已采纳
我有一个预先训练的ResNet模型，它是在64x64图像上训练的。我想用包含200x200图像的新数据集进行传输学习。
我正在加载模型如下：
model = ResNet50(include_top=False, weights=None, input_shape=(64,64,3))
model.load_weights("a trained model weights on 64x64")
model.layers.pop()
for layer in model.layers:
layer.trainable = False
x = model.output
x
浏览 1提问于2019-03-31得票数 0
我已经开始对从获取的MNIST数据进行基本的MLP模型的培训。下面是我实现该模型的代码。
train = pd.read_csv(r"train.csv")
test = pd.read_csv(r"test.csv")
train_img_path = "./Images/train/"
test_img_path = "./Images/test/"
train_img = []
for img in train['filename']:
img_path = train_img_path+img
浏览 1提问于2021-08-04得票数 0
1回答
我有一个顺序网络，它接受长度为20个单词的矢量化句子，目标是基于标签对句子进行分类。每个单词有300个维度。因此，每个句子都有一个形状(20，300)。数据集当前有11个样本，因此完整的x_train的形状为(11，20，300) 以下是my Network的代码： nnmodel = keras.Sequential()
nnmodel.add(keras.layers.InputLayer(input_shape = (20, 300)))
nnmodel.add(keras.layers.Dense(units = 300, activation = "relu"))
浏览 18提问于2021-08-13得票数 0
回答已采纳
1回答
由于我的数据太大，所以我使用pd.read_csv('',chunksize=)。我使用categorical_crossentropy作为我的损失函数，然而，在最后一块，我只有一个目标。所以我得到了错误：
您正在传递一个形状的目标数组(2110，1)，同时用作丢失的categorical_crossentropy。
现在我知道我可以使用binary_crossentropy了。所以我就是这么做的。
X_train, X_test, y_train, y_test = train_test_split(train_data, train_labels, shuffle=Tru
浏览 4提问于2020-03-26得票数 0
我一直收到这样的错误:检查目标时出错:期望activation_6有3维，但得到了形状为(70612，1)的数组。可能的问题是什么？ 请参见以下代码： # CNN Model
model = Sequential()
model.add(Embedding(256, 8))
model.add(Conv1D(32, 3, activation="relu"))
model.add(MaxPooling1D(pool_size = (2)))
model.add(Conv1D(32, 3, activation="relu"))
model.add(MaxPo
浏览 23提问于2020-06-12得票数 0
回答已采纳
“我想通过keras.model解决一个分类问题，但是在运行model.fit之后，我遇到了一个维度错误。我运行了以下代码：”
print(X_train.shape)
print(y_train.shape)
“产出：”
(2588, 39436)
(2588, 6)
model = keras.Sequential(
[
keras.Input(shape=(39436,1)),
layers.Conv1D(32, kernel_size=3, strides=5, activation="relu"),
layer
浏览 4提问于2020-09-03得票数 0
回答已采纳
我有一些像素运动数据，它有5个特征和3715489个训练样本。我一直在犯这个错误，我不知道我应该为LSTM做什么input_shape。
X_train形状为(3715489,5)。我需要重塑这个吗？
y_train形状为(3715489，8)
这是我的代码：
model = Sequential()
model.add(LSTM(256,return_sequences=True, input_shape=(5,)))
model.add(Dense(8, activation='sigmoid'))
model.compile(optimizer='adam'
浏览 2提问于2022-08-08得票数 0
我试图训练一个U-Net导数来进行单类图像分割，但在Keras中使用tf.keras.losses.SparseCategoricalCrossentropy()和tf.keras.losses.CategoricalCrossentropy()函数时遇到了问题。哪一种更合适，如何正确使用？
如果我尝试使用SpareCategoricalCrossentropy，就会得到错误：
收到的标签值为1，超出了[0，1]的有效范围。
如果我尝试使用CategoricalCrossentropy，我会得到：
您正在传递形状(3600, 64, 64, 1)的目标数组，同时用作丢失的catego
浏览 0提问于2019-08-27得票数 0
1回答
我正在测试MNIST数据上的简单深入学习代码，但我不知道为什么会出错。以下代码来自Francois的“用Python进行深度学习”一书：
from keras.datasets import mnist
from keras import models
from keras import layers
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images.reshape((60000, 28 * 28))
train_images =
浏览 0提问于2019-07-12得票数 0
回答已采纳
我正在为自己开发一个建立在Tensorflow和Keras之上的框架。首先，我只编写了框架的核心，并实现了第一个玩具示例。这个玩具例子只是一个经典的前馈网络solivng。
也许没有必要解释它周围的一切，但我实现了损失函数如下：
class MeanSquaredError(Modality):
def loss(self, y_true, y_pred, sample_weight=None):
y_true = tf.cast(y_true, dtype=y_pred.dtype)
loss = tf.keras.losses.MeanSquare
浏览 0提问于2020-04-06得票数 0
回答已采纳
我正在训练一个面部表情(愤怒和快乐)的模特。最后的密集输出层以前是1，但当我预测一幅图像时，它的输出总是1，精度为64 %。因此，我将它改为2，用于2输出。但是现在我发现了一个错误：：
Epoch 1/15
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-54-9c7272c38dcb> in
浏览 23提问于2020-05-12得票数 48
回答已采纳
我的输入形状是(150,10,1)，我的输出形状也是(150,10,1)。我的问题是多分类(3类)。在使用np_utils.to_categorical(Y训练)之后，输出的形状将是(150,10,3)，这是完美的。然而，在使用GlobalAvgPool1D()建模的过程中，它给出了错误：“当使用作为损失categorical_crossentropy时，形状为(150，10，3)的目标数组被传递为形状(None，3)的输出。此损失期望目标具有与输出相同的形状”。我该怎么解决它呢？
我的代码：
nput_size = (150, 10, 1)
Xtrain = np.random.randin
浏览 4提问于2020-06-07得票数 1
2回答
我想训练一个简单的LSTM模型，用于118个多类的128个时间步骤和6个特性的序列数据。
数据集的尺寸如下所示：
X_train, X_test shape: (batch, timesteps, num_features) = (batch, 128, 6)
y_train, y_test shape: (batch, 118)
其中标签由118个类的一个热编码表示。
model = keras.Sequential([
tf.keras.layers.LSTM(units = 32, kernel_initializer =
tf.initializers.zeros()
浏览 7提问于2022-05-14得票数 1
回答已采纳
当我使用交叉熵损失作为损失函数时，我得到此Dimension out range错误
Traceback (most recent call last):
File "e:\testcode\cnn.py", line 122, in <module>
loss = loss_func(output, b_y) # cross entropy loss
File "D:\Anaconda3\envs\pytorch\lib\site-packages\torch\nn\modules\module.py", line 532, i
浏览 0提问于2020-04-26得票数 0
1回答
self.model = Sequential()
self.model.add(Dense(units=20, input_dim=9))
self.model.add(Activation('relu'))
self.model.add(Dense(units=len(labels)))
self.model.add(Activation('softmax'))
self.model.compile(optimizer='sgd', # rmsprop
loss='categorical_cro
浏览 0提问于2017-07-24得票数 0
我理解使用
dataframe = pandas.read_csv("IrisDataset.csv", header=None)
dataset = dataframe.values
X = dataset[:,0:4].astype(float)
Y = dataset[:,4]
# encode class values as integers
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)
# convert integers to dummy variables (i
浏览 0提问于2018-08-20得票数 0
回答已采纳
我想构建一个deep RNN，在这里我的x_train和y_train。当我执行以下代码时：
print(X_train_fea.shape, y_train_fea.shape)
X_train_res = np.reshape(X_train_fea,(10510,10,1))
y_train_res = np.reshape(y_train_fea.to_numpy(),(-1,1))
print(X_train_res.shape, y_train_res.shape)
结果：
(10510, 10) (10510,)
(10510, 10, 1) (10510, 1)
和
model
浏览 0提问于2021-01-12得票数 0
回答已采纳
我正在尝试使用Keras模型为我的(19502,3)数据建立一个预期模型。我使用了两个隐藏层(第一个带有输入层)和一个输出层。我仍然对这些层的输入形状感到困惑。我插入的图层正确吗？
这个模型给了我一个南南预测。有人能告诉我我的代码出了什么问题吗？
另一个问题:第一个隐藏层的输入形状必须具有X_train的形状，即(14626，)。然而，当我使用input_shape=(14626 )时，我得到了一个错误。
任何帮助都将不胜感激！
谢谢
亚历克斯
ValueError Traceback (most recent call last)
浏览 11提问于2022-08-12得票数 0
回答已采纳
1回答
我对NLP非常陌生，我想根据他们的语言对不同的单词进行分类(基本上，我的模型应该告诉我一个单词是法语、英语还是西班牙语等等)。
当我适应下面的模型时，我会得到一个尺寸误差。"dataset“包含单词，它是大小的填充张量(1550，19)，"y”包含不同的语言，它也是大小的填充张量(1550，10)。
np.random.seed(42)
tf.random.set_seed(42)
from tensorflow.keras.layers import LSTM, GRU, Input, Embedding, Dense
input = Input(shape=[None]
浏览 2提问于2020-07-22得票数 0
1回答
我使用下面的代码，我试图训练一个1DCNN，我的x_train数据形状是(10027，5，14)，y_train形状是(10027,4)。但是我得到了一个关于形状兼容性的错误(代码下面)。 model = keras.models.Sequential([
keras.layers.Conv1D(filters=20, kernel_size=4, strides=2, padding="valid",
input_shape=(n_timesteps,n_features))
])
model.compile(l
浏览 49提问于2021-07-19得票数 0
1回答
我正在尝试实现一个自动编码器，用于使用Keras预测多个标签。这是一个片段：
input = Input(shape=(768,))
hidden1 = Dense(512, activation='relu')(input)
compressed = Dense(256, activation='relu', activity_regularizer=l1(10e-6))(hidden1)
hidden2 = Dense(512, activation='relu')(compressed)
output = Dense(768, activ
浏览 0提问于2021-05-12得票数 0
1回答
我的培训资料有表格(?,15)在哪里？是可变长度。
在创建我的模型时，我指定如下：
inp = Input(shape=(None,15))
conv = Conv1D(32,3,padding='same',activation='relu')(inp)
...
我的训练数据有形状(35730，?,15)。
在python中进行检查，我得到：
X.shape
产出：(35730，)
X[0].shape
产出：(513、15)
当我尝试在我的训练数据上拟合我的模型时，我得到了ValueError：
Error when checking input: expe
浏览 2提问于2017-09-10得票数 8
回答已采纳
一个完全的菜鸟在这里，试图运行代码。问题是我的形状的尺寸不重合。有人知道哪些变量的维度应该改变吗？
我尝试在为x和y赋值后立即更改x或y维度，但仍然收到错误
np.expand_dims(x, axis=1)
主要方法：
def main():
#tf.reset.default.graph()
sess = tf.Session()
x = tf.placeholder(tf.float32, shape=[None, HEIGHT, WIDTH], name="input")
y = tf.placeholder(tf.float32, shape=[N
浏览 1提问于2019-05-03得票数 0
1回答
我想要创建一个简单的自动编码器，3000输入，2个隐藏和3000输出神经元：
def build_autoencoder(input_var=None):
l_in = InputLayer(shape=(None,3000), input_var=input_var)
l_hid = DenseLayer(
l_in, num_units=2,
nonlinearity=rectify,
W=lasagne.init.GlorotUniform())
l_out = DenseLayer(
浏览 3提问于2016-09-02得票数 0
回答已采纳
我在Python 3中使用Keras。我遇到的问题似乎与许多其他类似，而且我所能知道的最好的情况是我可能需要使用Flatten()，尽管我没有看到如何正确设置参数。我知道错误：
ValueError:在检查目标时出错:期望dense_2具有形状(4 )，但得到与形状(1，)相同的数组
我的数据不是图像(目前)，但它们是我已经提交给数据帧的序列。
model = Sequential()
model.add(Dense(30, input_dim=16, activation='relu'))
model.add(Dense(len(TheBinsizeList), acti
浏览 1提问于2020-10-06得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
