ValueError:层dense_1的输入0与层不兼容
是一个常见的错误，通常发生在神经网络模型的构建过程中。这个错误提示表明在连接到层dense_1的输入时存在不兼容的问题。
在神经网络中，每个层都有一个输入和一个输出。层之间的连接必须满足一定的规则，以确保数据的维度和形状匹配。在这个特定的错误中，层dense_1的输入与前一层的输出不兼容，可能是由于维度不匹配或形状不匹配导致的。
解决这个错误的方法取决于具体的情况，以下是一些常见的解决方法：
- 检查输入数据的维度和形状：确保输入数据的维度和形状与模型的期望输入匹配。可以使用
input_shape参数来指定输入数据的形状，或者使用input_dim参数来指定输入数据的维度。 - 检查前一层的输出维度和形状：确保前一层的输出维度和形状与层dense_1的输入匹配。可以使用
output_shape参数来指定前一层的输出形状，或者使用output_dim参数来指定前一层的输出维度。 - 检查模型的连接方式：确保层dense_1的输入与前一层的输出之间存在正确的连接方式。例如，如果前一层是一个卷积层，那么可以使用池化层或扁平化层来调整维度和形状。
- 检查模型的架构：如果以上方法都无法解决问题，可能需要重新审查模型的架构。可能需要添加或删除一些层，或者调整层之间的连接方式，以确保数据的维度和形状匹配。
总之，解决这个错误需要仔细检查模型的输入、输出维度和形状，以及层之间的连接方式。根据具体情况进行调整和修改，以确保数据的兼容性。腾讯云提供了丰富的云计算产品和服务，可以帮助开发者构建和部署各种类型的应用。具体推荐的产品和产品介绍链接地址可以根据实际需求来选择。
相关·内容
1回答
我有这样的输入：
[
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
...]
形状的(1, num_samples, num_features)，以及如下所示的标签：
[
[0, 1]
[1, 0]
[1, 0]
...]
形状的(1, num_samples, 2)。
但是，当我尝试运行以下Keras代码时，我会得到以下错误：ValueError: Error when checking model target: expected dense_1 to have 2 dimensions, but got array with shape (1, 8038, 2)。据我所读，
浏览 3提问于2017-01-26得票数 8
回答已采纳
输入数据(X)形状为(2000, 7, 7, 512)
网是
visible = Input(shape=(7,7,512))
Lstm = LSTM(units=22, return_sequences=True)(visible)
Dense_1 = Dense(4096)(Lstm)
Dense_2 = Dense(512 ,activation='sigmoid')(Dense_1)
Dense_3 = Dense(5, activation='sigmoid')(Dense_2)
model = Model(input = visible, outpu
浏览 1提问于2019-01-24得票数 1
回答已采纳
我是keras的新手，我正面临这样的错误: ValueError:检查模型目标时出错:期望dense_1具有形状(None，10)，但得到具有形状(10，1)的数组。我的输入数组形状是(10,1010)
我的模型只有一层
model = Sequential()
model.add(Dense(10, batch_input_shape=(None, 1010),init='uniform', activation='relu'))
有什么想法吗?我怎么解决这个问题呢?我尝试了很多组合，但对我来说都不起作用。
浏览 1提问于2016-12-26得票数 3
我正在努力学习使用Keras来修改经过训练的模型，以便在运行过程中对其进行微调：
一个非常基本的模式：
inputs = Input((x_train.shape[1:]))
x = BatchNormalization(axis=1)(inputs)
x = Flatten()(x)
outputs = Dense(10, activation='softmax')(x)
model1 = Model(inputs, outputs)
model1.compile(optimizer=Adam(lr=1e-5), loss='categorical_crossentr
浏览 0提问于2018-02-02得票数 4
回答已采纳
我的模型总结是：
Layer (type) Output Shape Param #
=================================================================
conv2d_1 (Conv2D) (None, 62, 62, 32) 896
_________________________________________________________________
max_pooling2d_1 (MaxPooling
浏览 0提问于2019-06-28得票数 2
1回答
我正试着预测第二天的开盘价。我能够获得格式正确的输入，即('Open'，'High‘列每天n次)。但是，当我将格式设置为三维数组时，我的形状如下：
(1200, 60, 2)
X_train有1200个样本，有60个时间步骤(前60天的历史数据)和2个特性(开放和高)
然而，当它在实现层时到达keras编码部分时，我的问题就出现了。这是我使用的代码：
regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 2)))
regressor.add(Dro
浏览 4提问于2020-01-31得票数 1
回答已采纳
1回答
根据Keras中的shared layers documentation，可以创建一个共享层，并使用不同的输入形状实例化它。它给出了一个Conv2D共享层的示例，如下所示： a = Input(shape=(32, 32, 3))
b = Input(shape=(64, 64, 3))
conv = Conv2D(16, (3, 3), padding='same')
conved_a = conv(a)
# Only one input so far, the following will work:
assert conv.input_shape == (None,
浏览 19提问于2019-01-03得票数 2
回答已采纳
1回答
我在keras上使用LSTM，并使用之前的重整型层，希望我不必为LSTM层指定形状。 输入是84600 x 6 两个月内84600秒。6公制/标签im在2个月内进行测量 到目前为止，我已经 model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Reshape((86400,1,6), input_shape=(84600, 6)))
model.add(tf.keras.layers.LSTM(128, activation='relu', input_shape=
(x_train.shape),
浏览 39提问于2019-02-17得票数 1
几天来，我一直在寻找这个问题的答案，但我在互联网上找不到任何具体适用于我得到的错误的答案：
ValueError: Error when checking target: expected dense_1 to have shape (1, 300) but got array with shape (1, 60)
下面是我使用的模型：
model = keras.Sequential([
keras.layers.Conv1D(5,input_shape=(1,60), kernel_size=12, padding='same'),
keras.layers.Conv1D
浏览 0提问于2018-12-07得票数 0
我使用来输入维数(224,224，3)的图像。我使用functional建立了以下模型，尽管顺序模型似乎出现了类似的问题：
input = Input(shape=(224, 224, 3,))
shared_layers = Dense(16)(input)
model = KerasModel(input=input, output=shared_layers)
model.compile(loss='binary_crossentropy', optimizer='sgd', metrics='accuracy'])
我打电话给model.
浏览 6提问于2017-02-21得票数 13
回答已采纳
我有一个包含1,514,669个术语(26,791个唯一单词)的长文本。我创建了一个字典，以唯一的单词为关键字，以单词索引为值： {'neighbors': 0,
'prowlings': 1,
'trapped': 2,
'succeed': 3,
'shrank': 4,
'napkin': 5,
'verdict': 6,
'hosted': 7,
'lists': 8,
'meat': 9,
'a
浏览 16提问于2019-01-30得票数 2
回答已采纳
我想对数据的时间范围进行分类。例如，每5个输入，就有一个输出。但是我的代码拒绝接受我的输出。
model = Sequential()
model.add(GRU(32, input_shape=(TimeStep.TIME_STEP + 1, 10), return_sequences=True, activation='relu'))
model.add(GRU(64, activation='relu', return_sequences=True))
model.add(Dense(2, activation='hard_sigmoid'
浏览 20提问于2019-07-08得票数 0
回答已采纳
1回答
我想用卷积层代替Dense_out层，有人能告诉我怎么做吗？
代码：
model = Sequential()
conv_1 = Conv2D(filters = 32,kernel_size=(3,3),activation='relu')
model.add(conv_1)
conv_2 = Conv2D(filters=64,kernel_size=(3,3),activation='relu')
model.add(conv_2)
pool = MaxPool2D(pool_size = (2,2),strides = (2,2), padding =
浏览 0提问于2018-09-17得票数 1
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
我试图让我的tensorflow模型在两类图像上进行训练，但我遇到了一个ValueError问题。有人能帮帮忙吗。相关代码如下： # Get image arrays and labels for all image files
images, labels = load_data(sys.argv[1])
# Split data into training and testing sets
x_train, x_test, y_train, y_test = train_test_split(
images, labels, test_size=TEST_SIZE
)
# G
浏览 14提问于2020-07-11得票数 0
回答已采纳
1回答
我有CNN并希望将其更改为LSTM，但当我修改代码时，收到相同的错误: ValueError:输入0与图层不兼容gru_1:期望的ndim=3，找到ndim=4
我已经更改了ndim，但没有起作用。
关注我的cnn
def build_model(X,Y,nb_classes):
nb_filters = 32 # number of convolutional filters to use
pool_size = (2, 2) # size of pooling area for max pooling
kernel_size = (3, 3) # convol
浏览 1提问于2017-09-30得票数 1
我的模型是： model = Sequential()
model.add(Embedding(input_dim=vocab_size,
output_dim=1024, input_length=self.SEQ_LENGTH))
model.add(LSTM(vocab_size))
model.add(Dropout(rate=0.5))
model.add(Dense(vocab_size, activation='softmax'))
print(model.summary())
model.compile(loss=
浏览 15提问于2019-05-21得票数 0
回答已采纳
1回答
#x_train.shape = 7x5x5 numpy array
#y_train.shape = 3x5x5 numpy array
#x_test.shape = (7,) numpy array
#y_test.shape = (3,) numpy array I have binary output as 0 or 1.
timeteps = 5
data_dim = 5
model = Sequential()
model.add(LSTM(32, return_sequences=True, input_shape=`(timesteps,data_dim)))
model
浏览 0提问于2018-02-18得票数 1
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
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
1回答
我在下面的代码中得到了错误
flatten = Flatten()(drop_5)
aux_rand = Input(shape=(1,))
concat = Concatenate([flatten, aux_input])
fc1 = Dense(512, kernel_regularizer=regularizers.l2(weight_decay))(concat)
ValueError:调用Layer dense_1时，输入不是符号张量。接收类型：.全部投入：[]。该层的所有输入都应该是张量。
(x_train, y_train), (x_test, y_test) = c
浏览 1提问于2019-01-09得票数 4
我一直在使用以下功能API来完成使用CNN的图像分类任务：
def create_model(X_train, X_test):
visible = Input(shape=(X_train.shape[0], X_train.shape[1], 1))
conv1 = Conv2D(32, kernel_size=4, activation='relu')(visible)
hidden1 = Dense(10, activation='relu')(pool2)
output = Dense(1, activation=&#
浏览 0提问于2017-11-01得票数 3
2回答
在我的模型中
Xtrain shape : (62, 30, 100)
Ytrain shape : (62, 1, 100)
Xtest shape : (16, 30, 100)
Ytest shape : (16, 1, 100)
当我建立我的模型时，
model = Sequential()
model.add(LSTM(units=100, return_sequences= True, input_shape=(x_train.shape[1],X_train.shape[2])))
model.add(LSTM(units=100, return_sequences=True))
浏览 5提问于2019-09-24得票数 2
我正在训练一个模型来预测股票价格，并且输入的数据是接近价格。我用45天的数据来预测第46天的收盘价格，第二个特征是经济指标，下面是模型：
model = Sequential()
model.add( LSTM( 512, input_shape=(45, 2), return_sequences=True))
model.add( LSTM( 512, return_sequences=True))
model.add( (Dense(1)))
model.compile(loss='mse', optimizer='adam')
history = mode
浏览 0提问于2018-08-09得票数 14
回答已采纳
我是新来的ML和CNN特别是，我是跟随一个视频教程，已经遵循和实践的教训。现在，为了更多地练习我所学到的东西。我让自己陷入了这个错误。我的数据集由带注释的癌症图像组成。我的简单设置遵循这个过程，图像表示我的特性，而带注释的描述(即文件名)是数据集的标签。
下面的代码提取图像，将其规范化
import numpy as np
import cv2
import pathlib
import sys
DATA_DIR='lung_cancer/'
def load_data(img):
data_root=pathlib.Path(img)
all_image_path
浏览 3提问于2020-11-26得票数 0
我有以下代码。
x = keras.layers.Input(batch_shape = (None, 4096))
hidden = keras.layers.Dense(512, activation = 'relu')(x)
hidden = keras.layers.BatchNormalization()(hidden)
hidden = keras.layers.Dropout(0.5)(hidden)
predictions = keras.layers.Dense(80, activation = 'sigmoid')(hidden)
mlp_m
浏览 1提问于2017-03-01得票数 26
回答已采纳
1回答
我很难把我的头绕在CNN后面的数学上，以及我应该如何在神经网络的各层之间修改输出形状。
我试图在卡格尔上做卡瓦纳图像掩蔽挑战。换句话说，我试图创建一个神经网络，给出一张汽车的图片，它可以识别出汽车在图像中的边界，然后从其他背景中提取出来。
所以我的输入都是图像，width=959px和height=640px。输入数组的形状是( 159,640,959，3)，其中159表示输入数组总共包含159幅图像这一事实。我创建的目标是有640行和959列的矩阵(每个像素都有一个条目)，使用布尔值来表示对应的像素是否是汽车/在汽车的边界内。目标数据的形状是( 159,640,959)，其中159很可能代表
浏览 0提问于2018-05-12得票数 3
我试图做转移学习，但我发现这个错误，我无法修复它。有人能帮我吗？
import numpy as np
import os
import keras
import matplotlib.pyplot as plt
from keras.layers import Dense
from keras.models import load_model, Model
from keras import backend as K
from keras.datasets import mnist
from keras.utils import np_utils
Modelo = load_model(&
浏览 1提问于2019-06-05得票数 0
大家好，我尝试用AlexNet + LSTM建立模型，使用原始图像作为输入。
但我遇到了这样一个错误：
ValueError: Input 0 of layer lstm_5 is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: (None, 43264)
我的模型代码：
model = tf.keras.models.Sequential([
# 1st conv
tf.keras.layers.Conv2D(96, (11,11),strides=(4,4), ac
浏览 3提问于2021-06-22得票数 1
回答已采纳
1回答
Keras:用于一维输入的卷积层
、、、、
我不能为一维输入向量建立CNN。
输入值示例：
df_x.iloc[300]
Out[33]:
0 0.571429
1 1.000000
2 0.971429
3 0.800000
4 1.000000
5 0.142857
6 0.657143
7 0.857143
8 0.971429
9 0.000000
10 0.000000
11 0.000000
12 0.000000
13 0.000000
14 0.000000
15 0.000000
Name: 300, d
浏览 0提问于2018-04-09得票数 2
回答已采纳
我有99个物体的3通道图像(11 * 11像素)，每小时拍摄一次，持续7个小时。对象是(苹果、香蕉或胡萝卜)。我必须将这99个样本图像分为3类(0,1,2)。 np.random.seed(0)
data = np.random.randint(low=1,high=9,size=(99, 7, 11, 11, 3))
#(samples, timeshifts, heigt, width, nchannels)
print (data.shape)
#(99, 7, 11, 11, 3)
labels = np.random.randint(low=0,high=3,size=(99))
浏览 13提问于2019-01-28得票数 0
回答已采纳
我想用C++提供的TensorFlow API检查tflite模型。我成功地转换了模型，并在查看visualize.py脚本创建的可视化时获得了合理的结果(模型和vis都可以在repo：上找到)。
但是，如果我使用C++ API加载和检查模型，就会得到令人惊讶的结果。下面的片段试图让我相信，我的模型有大量的输入、输出和节点。
const std::string model_path = "model.tflite";
// Load the model.
std::unique_ptr<tflite::FlatBufferModel> model = tflite
浏览 7提问于2019-11-14得票数 1
1回答
def kerasModel(inp_shape, activation, n):
lstm_input = keras.layers.Input(shape=inp_shape, name='lstm_input')
x = keras.layers.LSTM(50, name='lstm_0')(lstm_input)
x = keras.layers.Dropout(0.2, name='lstm_dropout_0')(x)
x = keras.layers.Dense(64, name='dens
浏览 3提问于2020-12-22得票数 0
1回答
连接两层Unet
、、、、
我在使用我的Unet模型时遇到了以下错误。(我的图片大小为2652*3519) #expansive path: decoder
n_filters //= growth_factor
up6_1 = tf.keras.layers.concatenate([tf.keras.layers.Conv2DTranspose(n_filters, (2, 2), strides=(2, 2), padding='same',kernel_initializer = 'he_normal')(conv5), conv4_1])
up6_1 = tf.keras.la
浏览 48提问于2021-08-29得票数 1
我正在尝试将keras_contrib中的用于我自己的具有维度(30k,2,96,96)的数据。
我的shape数据不能使用这个实现吗？它会给出以下错误和警告。
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLay
浏览 4提问于2018-09-14得票数 1
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
我正在使用Keras来拟合一个函数，而且我是Keras的新手。有了一个非常简单的网络，Keras就可以很好地适应我的功能，我只想知道这个功能是什么，并试图理解为什么它工作得很好。但是“预测”功能隐藏了细节。
下面是我创建网络的代码：
import numpy as np
import tensorflow as tf
from tensorflow import keras
LABEL_COLUMN = "shat"
BATCH_SIZE = 16
EPOCHS = 20
trainfilePath = "F:\\PyworkingFolder\\WWSHat\\_
浏览 8提问于2020-05-05得票数 0
回答已采纳
我定义了一个包含有状态LSTM的块的Keras功能模型，如下所示：
import numpy as np
from tensorflow.python import keras
data = np.ones((1,2,3))
input_shape = data.shape # batch size, step size, input size
output_units = 2
### input block ###
inputs = keras.layers.Input(batch_shape=input_shape, name="inputs")
### mo
浏览 0提问于2018-07-10得票数 1
1回答
基于卷积网的Keras形状失配
、、、、
我以以下方式构建了我的keras模型(当然，这不是最终的生产准备模型)：
self.model = Sequential()
self.model.add(Conv2D(32, (3, 3), input_shape=(674, 514, 1), padding='same',
activation='relu'))
self.model.compile(loss='mean_squared_error', optimizer='adam', metrics=
['accuracy'])
示范摘要
浏览 0提问于2018-02-08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
我的网络由LSTM和密集部件组成，由另一个密集部分连接在一起的，I不能连接(1，8)，(None，32)的输入。Reshape和Flatten不起作用。
这里是架构：
def build_model_equal(dropout_rate=0.25):
curve_input_1 = Input(batch_shape=(1, None, 1), name='curve_input_1')
lstm_1 = LSTM(256, return_sequences=True, dropout=0.1)(curve_input_1)
lstm_1 = LSTM
浏览 0提问于2018-11-22得票数 1
回答已采纳
在Keras模型中，我无法正确设置输出名称。
这里的用例是Tensorflow服务模型，它根据层名命名输入和输出。
输入很容易命名。但是，输出(如果它们不是keras.Layer的实例)似乎没有将它们的名称正确地设置为模型中的输出名称。
请参见以下示例：
import tensorflow as tf
import tensorflow.keras as keras
input_0 = tf.keras.Input(shape=(10,), name="my_input_0")
x = keras.layers.Dense(units=1)(input_0)
output_0
浏览 5提问于2022-06-01得票数 1
如何解决从h5文件加载权重时出现的错误？
ValueError: GRU(reset_after=False)与GRU(reset_after=True)不兼容
Github链接： Colab链接：
数据集驱动链接：
浏览 4提问于2020-08-28得票数 0
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
1回答
我没有找到一个合适的问题来回答这个情况，如果这个问题已经在其他地方得到了回答，请随时向我指出这个问题。
问题
我有一个tensorflow模型(在问题的末尾，我有一个最小的可重复代码，供任何人测试。)用这些规格
输入形状：(无，3，47，12)，输出形状可以忽略这个问题的范围。
在建立模型的某个地方，我从轴1中只选择一个通道，这样分支就会接收到一个通道的输入。
我不使用顺序api。
我打印出重量和偏差形状，以供确认。
我无法理解为什么新分支中卷积层的权重矩阵仍然具有形状((3，. )。。))。
示例：
我的模型：
# Declaring a couple
浏览 12提问于2022-01-25得票数 1
我有以下(部分)网络架构：
获得的
...
pool = GlobalAvgPool()(gc_2)
predictions = Dense(units=32, activation='relu', use_bias=False)(pool)
predictions = BatchNormalization()(predictions)
...
我正在尝试插入一个批处理规范化层，但是我得到了以下错误：
ValueError:层batch_normalization_1的输入0与图层不兼容:预期的ndim=2，找到了ndim=3。收到的完整形状:无，1，32
我猜第
浏览 1提问于2020-12-03得票数 0
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
1回答
我试图使用构建两个输入LSTM模型。
下面是我使用的代码：
inp_1 = 100
inp_2 = 100
out_1 = 10
N_FEATURES = 1
Input_1 = Input(shape=(inp_1, N_FEATURES), name='Input_1')
LSTM_1 = LSTM(name='LSTM_1', units=128)(Input_1)
Dense_1 = Dense(name='Dense_1', units=128)(LSTM_1)
Input_2 = Input(shape=(inp_2,), nam
浏览 1提问于2019-03-22得票数 0
回答已采纳
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
1回答
我创建了以下神经网络：
model = keras.Sequential()
model.add(layers.Conv2D(3, (3,3), activation="relu", padding="same", input_shape=constants.GRID_SHAPE))
model.add(layers.MaxPooling2D((3,3)))
model.add(layers.Flatten())
model.add(layers.Dense(constants.NUM_ACTIONS), activation="softmax"
浏览 5提问于2022-04-06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
腾讯会议
实时音视频活动推荐
腾讯云开发者
