检查目标时出错：预期 dense_1 有 2 个维度，但得到了形状为 (1, 4000, 25) 的数组

Question

我正在尝试训练 LSTM 网络进行无监督的二元分类。

我有一个整数矩阵作为输入，每一行都是不同的轨迹，每一列都是一个特征。

这是我使用的模型：

time_steps = 4000
features = 25
model = Sequential()
model.add(LSTM(128, input_shape=(time_steps, features), name='lstm'))
model.add(Dense(1, activation='relu'))
model.summary()
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, x_train, batch_size=batch_size, epochs=epochs, verbose=2)

这是我得到的错误：

检查目标时出错：预期 dense_1 有 2 个维度，但得到的数组形状为 (1, 4000, 25)

它是在尝试运行时生成的model.fit

输入形成如下：

x_train = np.array([input_array[:4000]])

输入的每条轨迹都有 25 个特征。

我是该领域的新手，我不知道如何解决这个问题。 我查过类似的票，但没有一张能帮到我。

这是我分析的一些票：

Error when checking target: expected dense_1 to have 3 dimensions, but got array with shape (118, 1)

ValueError: Error when checking target: expected dense_1 to have 2 dimensions, but got array with shape (68, 50, 50, 50, 1)

Error when checking target: expected dense_2 to have 2 dimensions, but got array with shape (1, 1226, 2)

ValueError: Error when checking target: expected dense_2 to have 3 dimensions, but got array with shape (10000, 1)

Answer 1

几点说明：

• x_train 作为 LSTM 层的输入，它需要 3D 输入。第一个维度是样本，第二个维度是时间步长，最终维度是特征。
• 当您调用 fit 时，您传递 x_train 两次，这意味着您希望目标与输入数据相同。如果您尝试进行自动编码器，这是有道理的，但是它不能在这种架构上工作。 Dense 层的输出将是单个值，它无法匹配输入的形状（即 3D）。下面我添加了一个 y_train，以便您的模型改为预测单个值。

time_steps = 40
features = 25
x_train = np.random.normal(size=(10, time_steps, features))
y_train =  np.random.normal(size=(10, ))
model = Sequential()
model.add(LSTM(128, input_shape=(time_steps, features), name='lstm'))
model.add(Dense(1, activation='relu'))
model.summary()
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=32, epochs=2, verbose=2)

祝你好运！

Answer 2

您尚未显示input_array 的形状，但您可以尝试使用np.reshape(input_array, (4000, 25)) 对其进行整形。阅读更多关于重塑here