检查模型目标时出错:要求dense_2具有形状(None，29430)，但得到具有形状(1108，1)的数组
这个问题涉及到机器学习中的模型目标检查错误。具体来说，错误信息指出了期望的目标形状为(None, 29430)，但实际得到的目标形状为(1108, 1)的数组。
这个错误通常出现在神经网络模型中，其中dense_2是指模型中的第二个全连接层。该错误提示表明，在模型训练过程中，目标数据的形状与模型期望的形状不匹配。
解决这个问题的方法通常有以下几种：
- 检查数据集：首先，需要检查输入数据集的形状是否正确。确保输入数据的维度与模型期望的输入维度一致。如果输入数据的维度不正确，可以使用reshape()函数或其他相应的方法来调整数据的形状。
- 检查模型结构：检查模型的结构，确保每一层的输入和输出形状正确。特别是要检查dense_2层的输入形状是否与前一层的输出形状匹配。如果不匹配，可以调整模型结构，或者使用合适的层来处理不匹配的形状。
- 检查损失函数和目标函数：确保所使用的损失函数和目标函数与模型的输出形状相匹配。如果不匹配，可以尝试使用适当的损失函数和目标函数。
- 检查训练过程：检查模型的训练过程，确保在训练过程中没有出现错误。可以检查训练数据的加载、预处理、批处理等步骤，确保数据的形状正确。
总结起来，解决这个问题的关键是检查数据集、模型结构、损失函数和目标函数以及训练过程，确保它们之间的形状匹配。如果问题仍然存在，可能需要进一步调试和查找其他可能的错误。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
- 腾讯云人工智能开发平台（https://cloud.tencent.com/product/ai）
- 腾讯云云服务器（https://cloud.tencent.com/product/cvm）
- 腾讯云数据库（https://cloud.tencent.com/product/cdb）
- 腾讯云存储（https://cloud.tencent.com/product/cos）
- 腾讯云区块链（https://cloud.tencent.com/product/bc）
- 腾讯云物联网平台（https://cloud.tencent.com/product/iot）
- 腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
- 腾讯云音视频处理（https://cloud.tencent.com/product/mps）
- 腾讯云网络安全（https://cloud.tencent.com/product/saf）
- 腾讯云云原生应用引擎（https://cloud.tencent.com/product/tke）
- 腾讯云元宇宙（https://cloud.tencent.com/product/mu）
相关·内容
1回答
我已经在互联网上搜索了几天，试图找到一个解决这个错误的方法，但我找不到的任何东西都是特别适用的：
ValueError: Error when checking target: expected dense_2 to have shape (300,) but got array with shape (60,)
下面是生成错误的代码(数据预处理除外)：
model = keras.Sequential([
keras.layers.Conv1D(5,input_shape=(1,60), kernel_size=12, padding='same'),
keras.laye
浏览 3提问于2018-12-08得票数 0
回答已采纳
我正在尝试使用基于Keras 2的incepctionV3训练模型来预测用于测试的图像。我最初的模型运行良好，然后尝试用指定的input_shape (299,299,3)创建一个模型。
base_model = InceptionV3(weights='imagenet', include_top=False, input_shape=(299,299,3))
训练过程看起来很好，但是当我试图用它来预测图像时，它会导致这个错误。
ValueError:当检查时出错:期望input_1具有形状(无，299,299，3)，但得到了形状数组(1,229,229，3)
浏览 0提问于2017-08-11得票数 0
回答已采纳
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
当使用Keras训练顺序模型时，我得到了这个错误
模型摘要如下所示
Layer (type) Output Shape Param #
=================================================================
dense_1 (Dense) (None, 512) 20480512
_________________________________________________________________
ac
浏览 0提问于2019-07-30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
1回答
我已经创建了一个模型(h5和tfjs/model.json)来预测定价房子。问题是我不知道如何根据一个实例进行预测？通常，根据所有测试数据进行预测。我已经试过了，但是不起作用... model.predict(np.array([0.347669, 0.048266, 0.515875, -0.166667, 0.000000, 0.378772])) 错误消息 ValueError: Error when checking input: expected dense_1_input to have shape (6,) but got array with shape (1,) 据我所知，
浏览 18提问于2020-01-24得票数 1
回答已采纳
1回答
理解高维密度层的输出
、、、、
在理解密集层的输出形状和平坦层的输出形状方面，我没有问题。输出形状符合我的理解，即(批次大小，单位)。
nn= keras.Sequential()
nn.add(keras.layers.Conv2D(8,kernel_size=(2,2),input_shape=(4,5,1)))
nn.add(keras.layers.Conv2D(1,kernel_size=(2,2)))
nn.add(keras.layers.Flatten())
nn.add(keras.layers.Dense(5))
nn.add(keras.layers.Dense(1))
nn.summary()
产出
浏览 0提问于2019-08-28得票数 4
回答已采纳
1回答
我用Keras (Tensorflow)实现了以下模型：
Layer (type) Output Shape Param #
=================================================================
conv2d_1 (Conv2D) (None, None, None, 32) 896
_________________________________________________________________
conv2d_2 (Conv2D)
浏览 2提问于2018-03-22得票数 1
1回答
Keras模型摘要不正确
、、、、
我正在使用
data_gen=image.ImageDataGenerator(rotation_range=20,width_shift_range=0.2,height_shift_range=0.2,
zoom_range=0.15,horizontal_flip=False)
iter=data_gen.flow(X_train,Y_train,batch_size=64)
data_gen.flow()需要一个4级的数据矩阵，所以X_train的形状是(60000, 28, 28, 1)。我们需要传递相同的形状，即
浏览 3提问于2020-05-02得票数 0
回答已采纳
我知道以前有人问过这个问题，但我没能把我的答案从他们身上弄出来。
所以
state is [[ 0.2]
[ 10. ]
[ 1. ]
[-10.5]
[ 41.1]]
和
(5, 1) # np.shape(state)
当model.predict(状态)抛出
ValueError:检查输入时出错:期望dense_1_input具有三维，但得到形状为(5，1)的数组
但是...
model = Sequential()
model.add(Dense(5,activation='relu',input_sha
浏览 2提问于2019-12-05得票数 1
回答已采纳
1回答
我正在构建一个增强DNN (DQN)，但是当我的数据被发送到模型时，得到了以下错误：
ValueError:检查目标时出错:期望dense_2具有二维，但得到了形状为(64，4，1)的数组
我使用这个输入为(1,139)，小批大小为64，使它：(64,1,139)。
def create_model(self):
model = Sequential()
model.add(LSTM(128, input_shape=(1,139), return_sequences=True, stateful=False))
model.add(Dropout(0.2))
浏览 1提问于2020-01-14得票数 0
我遇到了的问题：“检查目标时出错:期望dense_2具有二维，但是得到了形状为(867，44，44)的数组”。
在我看来，我认为我需要在预处理过程中转换维数，或者改变损失函数。
我已经搜索过关于堆栈溢出的相关问题，但未能解决。有人能帮帮我吗？
输入的是一些彩色图片的高度:46和宽度:120，所以我设置输入(46,120，3)。
X_train的形状是:(1084，46,120，3) Y_train的形状(它是标签)经过一个热编码后是:(1084，44，44)。
预处理部分和模型的详细内容如下：
model = Sequential()
X_train = X_train/255 Y_tr
浏览 2提问于2019-05-21得票数 0
我正在处理一个语句级二进制分类任务。我的数据由三个标记子数组组成:左上下文、核心上下文和右上下文。
我使用Keras设计了几种卷积神经网络方案，并验证了哪一个最适合我的问题。
我是Python的新手，我决定从更简单的解决方案开始，以测试哪些变化提高了我的度量标准(准确性、精确性、召回性、f1和auc-roc)。第一个简化是关于输入数据:我决定忽略上下文来创建Keras的顺序模型：
_________________________________________________________________
Layer (type) Output Shape
浏览 0提问于2017-09-29得票数 0
1回答
我有我的模型的以下代码：
model = keras.Sequential()
model.add(L.InputLayer(batch_input_shape= (None, 768)))
model.add(L.Dense(input_shape = (None,768), activation='relu', units = 256))
model.add(L.Dense(input_shape = (None,256), activation='relu', units = 128))
model.add(L.Dense(input_shape=(Non
浏览 2提问于2021-11-03得票数 1
回答已采纳
我们正在尝试使用Google Colab TPU构建一个图像分割深度学习模型。我们的模型是Mask R-CNN。
TPU_WORKER = 'grpc://' + os.environ['COLAB_TPU_ADDR']
import tensorflow as tf
tpu_model = tf.contrib.tpu.keras_to_tpu_model(
model.keras_model,
strategy=tf.contrib.tpu.TPUDistributionStrategy(
tf.contrib.cluster_resolver.TPUCl
浏览 0提问于2018-10-17得票数 3
我是Keras的新手，我正在尝试创建一个尺寸合适的模型。我的训练数据的形状是len(x_train) = 1108和len(x_train)[0] = 29430，但我似乎做得不正确。(标题中的确切错误消息位于标有星号*的位置。)
我运行了一个模型摘要，所以形状应该是这样的：
Layer (type)
Output Shape
Param #
Connected to
_____________________________________________________________________________
浏览 6提问于2017-07-10得票数 0
1回答
目标
试图在多元时间序列数据集上运行LSTM自动编码器：
X_train (200, 23, 178) - X_val (100, 23, 178) - X_test (100, 23, 178)
现状
普通的自动编码器比简单的LSTM结构得到更好的结果。
我对如何使用重复向量包装层有一些疑问，据我所知，该层应该简单地重复若干次，相当于LSTM/GRU单元的最后状态的序列长度，以便输入解码器层的输入形状。
模型结构没有产生任何错误，但结果仍然是一个数量级比一个简单的AE，而我希望他们至少是一样的，因为我使用的架构，应该更适合时间的问题。
首先，这些结果是否具有可比性？
然而，LSTM的重建误差
浏览 2提问于2019-02-28得票数 1
回答已采纳
我正在处理一个无监督的数据集，并希望实现一个conv1d模型。数据集的形状为(1313,6621)
这是我的密码
X = np.expand_dims(X, axis=2)
model = Sequential()
model.add(Conv1D(12, 3, input_shape=(6621,1),
padding='same', strides=1, activation='relu'))
model.add(Dropout(0.1))
model.add(Conv1D(15, 3, padding='same&
浏览 0提问于2021-03-17得票数 0
1回答
我如何准确地识别预测结果，以确定输入是否匹配，或者输入是否与任何训练数据完全不同。
例如，如果我有一个识别“圆形”、“正方形”和其他形状的模型，但随后用户输入了“乱七八糟的曲折”，我如何才能阻止它意外地匹配最高概率？
我的知识比较低，目前我的模型是这样的。
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
==============
浏览 9提问于2020-07-30得票数 0
我有一个x_test数据： x_test.shape
Out[11]: (13096, 30)
x_test.size
Out[16]: 392880 当我启动预测时，它返回一个错误： ValueError:检查输入时出错:要求lstm_1_input具有3维，但得到形状为(13096，30)的数组 我的代码非常简单，我正在尝试运行预测函数： test_df= pd.read_csv("Path_data")
model = load_model.("path_model")
Xnew = np.array(test_df)
# make a predic
浏览 25提问于2020-06-24得票数 0
直截了当地说，这是我的Keras模型：
from tensorflow.keras import layers, models, Input, backend as K
import tensorflow as tf
input_layer = Input(shape=(1,), name="input")
x = layers.Dense(128, activation='relu', name="dense_1")(input_layer)
x = layers.Dense(1024, activation='softmax
浏览 9提问于2021-12-28得票数 0
这个脚本使用一个小的嵌套模型定义一个虚拟模型
from keras.layers import Input, Dense
from keras.models import Model
import keras
input_inner = Input(shape=(4,), name='input_inner')
output_inner = Dense(3, name='inner_dense')(input_inner)
inner_model = Model(inputs=input_inner, outputs=output_inner)
input
浏览 4提问于2017-09-02得票数 5
回答已采纳
1回答
我是新来的科拉斯，所以我真的很感激这里的任何帮助。在我的项目中，我试图用多个时间序列来训练神经网络。我通过运行一个for循环来使每个时间序列与模型相匹配，从而使其工作。代码如下所示：
for i in range(len(train)):
history = model.fit(train_X[i], train_Y[i], epochs=20, batch_size=6, verbose=0, shuffle=True)
如果我没有错，我在这里做在线培训。现在我试着进行批次训练，看看结果是否更好。我试着加入一个由所有timeseries组成的列表(每个都转换成一个numpy数组)，但
浏览 0提问于2018-08-01得票数 3
1回答
为什么我不能训练我的模特
、、、、
我目前正在尝试建立一个线性回归网络，能够将输入数据映射到所需的输出数据。
我的输入和输出当前存储为存储为numpy.ndarray的矩阵列表。
回归网络的输入维数为400，回归网络的输出维数为13。
输入端的每个矩阵都有尺寸为400 x =>的打印input.shape输出。
输出侧的每个矩阵都具有尺寸为13 x =>的打印output.shape输出。
我目前定义的网络如下所示：
print "Training!"
model = Sequential()
model.add(Dense(output_dim=13, input_dim=400, init=
浏览 3提问于2016-11-13得票数 0
回答已采纳
2回答
Keras错误:期望看到1个数组
、、、、
当我试图在keras中训练一个MLP模型时，我得到了以下错误(我使用的是1.2.2版本)
检查模型输入时出错:要传递给模型的Numpy数组列表不是模型所期望的大小。预期会看到1个数组，但却得到了以下12859个数组的列表：
这是对模型的总结。
____________________________________________________________________________________________________
Layer (type) Output Shape Param # Connec
浏览 0提问于2017-03-04得票数 29
回答已采纳
我正在尝试在具有多个输入的函数式API上编写一个混合模型。问题是，当训练模型时，我在一个时期后得到了ValueError： ValueError: Error when checking input: expected input_1 to have shape (168, 5) but got array with shape (5808, 5) 我搞不懂的是shape( validation_data (5808,5))是如何传递给model.fit_generator中的input_1 (shape (168,5))参数的？ 我已经回滚到一个顺序模型来查看和确认这个问题是否存在，但它训
浏览 32提问于2019-10-16得票数 0
1回答
我已经训练过这个模型：
from keras.layers import concatenate
from keras.layers import Input, Dense, Masking
from keras.models import Model
x_in = Input(shape=(5,), name='x_in')
s_in = Input(shape=(18,), name='s_in')
s_masked = Masking(0.0)(s_in)
z = concatenate([x_in,s_masked])
dense_1 = De
浏览 1提问于2018-08-09得票数 0
回答已采纳
当我尝试在Keras 2.0.8，Python 3.6.1和Tensorflow后端训练我的模型时，我遇到了一个问题。 错误消息:检查目标时出错:期望dense_2具有形状(9，)，但得到具有形状(30，)的数组。我还提供了输入的形状。 train_x.shape: (623, 30, 30, 1)
train_y.shape: (623, 30)
val_x.shape: (156, 30, 30, 1)
val_y.shape: (156, 30)
#building model
model = Sequential()
model.add(Conv2D(20, (5, 5), pa
浏览 15提问于2020-01-11得票数 1
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
3回答
使用Keras (1.2.2)，我正在加载一个顺序模型，最后一个层是：
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))
然后，我想弹出最后一层，添加另一个完全连接的层，并重新添加分类层。
model = load_model('model1.h5')
浏览 3提问于2017-03-05得票数 6
回答已采纳
我有一个数据集，看起来像：
emotion images
0 0 [[70, 80, 82, 72, 58, 58, 60, 63, 54, 58, 60, ...
1 0 [[151, 150, 147, 155, 148, 133, 111, 140, 170,...
2 2 [[231, 212, 156, 164, 174, 138, 161, 173, 182,...
3 4 [[24, 32, 36, 30, 32, 23, 19, 20, 30, 41, 21, ...
4 6 [[4, 0, 0, 0
浏览 0提问于2018-09-12得票数 1
当我得到这个错误时，我试图用一些512x512图像执行一个小的VGG16变体：
tensorflow.python.framework.errors_impl.ResourceExhaustedError: OOM when allocating tensor with shape[131072,4096]
这是我的model.summary()
Layer (type) Output Shape Param #
===========================================================
浏览 2提问于2020-07-17得票数 0
回答已采纳
我已经加载图像来训练我的模型识别这些图像中的一个特征。
(1380,200,200,3 )是一种粗壮的形状(1380,200,200,3 )，包含1380幅图像，大小为200×200像素，采用RGB格式，有目标。形状(1380,2)
当我训练我的模型(model.fit(Xtrain,Ytrain))时，我似乎得到了每个层的值错误。好像输入都是Xtrain然后是Ytrain..。
ValueError:在检查目标时出错:期望batch_normalization_24有4个维，但得到了形状为(1380, 2)的数组
图片：
浏览 4提问于2019-12-19得票数 2
回答已采纳
我有这样一个Keras模型：
model=Sequential()
'''
filters=number of conv kernel
strides=step
'''
model.add(Convolution1D(filters=1000, kernel_size=11,strides=3,
input_shape=(train_num,data_dim),padding='same',
activation='relu',kern
浏览 1提问于2018-09-16得票数 0
回答已采纳
1回答
理解每一层的Keras权重矩阵
、、、、
我正在尝试使用Keras中的全连接层架构进行二进制分类，这在Keras中被称为密集类。
以下是我创建的神经网络架构的设计：
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
self.model = Sequential()
# Dense(64) is a fully-connected layer with 64 hidden uni
浏览 4提问于2017-06-28得票数 5
从上面可以推断出，当我将一系列数据作为参数传递给线性回归模型时，它会抛出一个错误。
ValueError: Expected 2D array, got 1D array instead:
array=[2600 3000 3200 3600 4000].
Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.
浏览 4提问于2020-08-15得票数 1
回答已采纳
1回答
我正在挖出一段代码，有一行我一点也不懂：
W[:, :, None] * h[None, :, :] * diff[:, None, :]
其中W、h和diff为784×20、20x100和784×100矩阵。乘法结果是784x20x100数组，但我不知道这个计算实际上做了什么，结果的意义是什么。
值得注意的是，这条线来自机器学习相关代码，W对应于神经网络层的权值数组，h是层激活，diff是网络目标和假设的区别(从到自动编码器转换)。
浏览 3提问于2015-04-04得票数 3
回答已采纳
我正在尝试使用the池作为使用keras的第一层，并且我在输入和输出维度上有问题。
print(x_train.shape)
print(y_train.shape)
(15662, 6)
(15662,)
x_train = np.reshape(x_train, (-1,15662, 6))
y_train = label_array.reshape(1, -1)
model = Sequential()
model.add(MaxPooling1D(pool_size = 2 , strides=1, input_shape = (15662,6)))
model.add(Dens
浏览 2提问于2019-03-06得票数 0
回答已采纳
1回答
使用Tensorflow.JS，我试图使用softmax激活函数获得一个机器学习模型，该模型具有最后一个密集层。当我尝试运行它时，我会收到：
检查目标时出错:期望dense_Dense2具有形状,1，但得到了形状为3,2的数组。
如果我注释掉fit函数并运行它，我会得到一个1x2数组(正如预期的那样，因为我在最后一层有两个单元，我只进入一个测试。
此外，当我将y变量更改为这个数组：[1,2,3]时，它会进行训练(但我不认为这是正确的，因为ys不是最后一层(2)的正确形状。
如果有任何建议或帮助能填补我的知识空白，我们将不胜感激。
var tf = require('@tensorflo
浏览 1提问于2020-03-23得票数 3
回答已采纳
使用Tensorflow 1.3.1
我已经建立了一个神经网络并训练了它，现在我想用tf.saved_model.simple_save(sess, export_dir, inputs, outputs)保存它，这样我就可以用它来做预测了。因此，我需要找到我的模型的“输入”变量。
我所拥有的模型的定义如下：
def __call__(self, obs, reuse=False):
with tf.variable_scope(self.name) as scope:
if reuse:
scope.reuse_variables()
浏览 2提问于2019-07-03得票数 0
回答已采纳
我观察到Keras到ONNX转换的维度不匹配。我将模型保存为.h5文件。它可以成功地保存并再次加载。但是，当将其转换为ONNX模型时，我得到了不同的输出维度。
我认为这是因为2D输出，因为我的输出维度之一已经消失了。
装载Keras模型..。
>>> keras_model = load_model('model_checkpoints/DGCNN_modelbest_with_noise.h5')
>>> keras_output = keras_model.output
>>> keras_output
<tf.T
浏览 30提问于2022-01-26得票数 0
我正在使用Keras的函数式API来执行文本分类任务。我将单词嵌入与元数据相结合，将它们都转换为一个热编码。当我拟合模型时，我得到了这个错误：tensorflow.python.framework.errors_impl.InvalidArgumentError: input 1 should contain 3 elements, but got 2[[{{node training/Adam/gradients/concatenate_1/concat_grad/ConcatOffset}}]]我在K8s集群中运行一个docker容器，tensorflow是1.8，而keras是2.2.4
浏览 0提问于2019-08-21得票数 1
我很难理解问题出在哪里。考虑以下模式：
Model: "model_8"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
=========================================================
浏览 11提问于2021-12-28得票数 -2
回答已采纳
2回答
对于下面的代码，我将模型权重保存在mnist_weights1234.h5中。并希望创建具有相同图层配置的相同文件，如mnist_weights1234.h5
import keras
from __future__ import print_function
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from
浏览 8提问于2017-10-17得票数 1
model.fit产生异常：
ValueError:检查输入时出错:期望lstm_1_input具有三维，但得到了形状为(60752，29)的数组
这是模型结构：
train_x, valid_x = arr[:split, :], arr[split:, :]
train_y, valid_y = target[:split], target[split:]
train_x = train_x.reshape(train_x.shape[0], -1)
train_y = train_y.reshape(train_y.shape[0], -1)
valid_x = valid_x.
浏览 2提问于2019-10-08得票数 0
回答已采纳
Keras: 2.1.6，python 3.6，tensorflow 1.8.0
我正在尝试训练一个序列模型，它有两个LSTM层和3个密集层。我事先做了一些数据准备，并将数据设置为LSTM层要求的格式，即(n_samples, n_timesteps, n_features)。我的数据有14个特性，实际上是5000步的长序列，因此我将其分解为500个样本，每个步骤10个时间步骤。完成后，我从下面的模型开始，但很快就遇到了最后一层输入形状的错误。我尝试使用Sequential和Functional都会产生相同的错误。
import keras
from keras import callbac
浏览 3提问于2018-11-14得票数 1
回答已采纳
我想定义一个keras模型。模型有两个输入和一个输出。我想要一些如果...否则..。语句，以便当第二个输入是一些有意义的数据时，执行if语句中的层，而当第二个输入为None时，执行else语句中的层。下面是一些简单的代码来说明我的想法
def my_model(input_shape=None):
input1 = Input(shape=input_shape)
input2 = Input(shape=input_shape)
if input2 != None:
x= Conv2D(32, (3, 3))(input1)
else:
浏览 2提问于2017-05-16得票数 2
1回答
我正在尝试加载一个Keras模型，并使用它进行预测，结果遇到了一个奇怪的错误。最起码的例子如下：
from keras import models
import numpy as np
model = models.load_model('model_4hiddenLayers_16unitsPerLayer_relu_learningRate0p0001.h5')
x = np.ones(36, dtype=float)
prediction = model.predict(x )
模型期望输入形状为(36，)，这应该是x的形状，我对此进行了验证：
print('x
浏览 0提问于2018-10-15得票数 2
我有这样的输入
x=[[0,0,0,0,1,0,0,0]....[n,n,n,n,n,n,n,n]] x.shape=(18998,8)
像这样的输出
y= 11 11 11 11 ... 10 y.shape=(18998,)
我建立了这样的模型
env_model = Sequential()
env_model.add(Dense(8, activation='relu', input_dim=8))
env_model.add(Dense(128, activation='relu'))
env_model.add(Dense(256, activati
浏览 0提问于2019-03-11得票数 0
回答已采纳
2回答
我的模型包括以前加载的模型，并给出了“(无，)”的输出形状：
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Activation, Dense, Input, Subtract, Multiply, Lambda
x = Input((158,))
y = model(x)
c = Subtract()([x,y])
c = Multiply()([c,c])
d = Lambda(lambda arg: tf.keras.backend.mean(arg,a
浏览 2提问于2020-04-02得票数 1
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
实时音视频活动推荐
腾讯云开发者
