ValueError：检查输入时出错：预期的dense_26_input具有形状（45781，）但得到的数组具有形状（2，）

Question

我的输入只是一个包含 45781 行和两列的 csv 文件。我正在尝试在神经网络上训练我的数据，但是当我尝试拟合模型时，它会抛出一个错误。

ValueError: Error when checking input: expected dense_26_input to have shape (45781,) but got array with shape (2,)

我尝试实施此链接给出的解决方案：

Error when checking model input: expected lstm_1_input to have 3 dimensions, but got array with shape (339732, 29)

但我仍然无法运行代码。这是我的代码：

X = df.iloc[:, 0:2].values
y = df.iloc[:, 2].values

df_sklearn = df.copy()

lb_make = LabelEncoder()
df_sklearn['Type'] = lb_make.fit_transform(df['Type'])
df_sklearn.head() #Results in appending a new column to df

df_onehot = df.copy()
df_onehot = pd.get_dummies(df_onehot, columns=['Type'], prefix = ['Type'])

df_onehot_sklearn = df.copy()

lb = LabelBinarizer()
lb_results = lb.fit_transform(df_onehot_sklearn['Type'])
lb_results_df = pd.DataFrame(lb_results, columns=lb.classes_)

result_df = pd.concat([df_onehot_sklearn, lb_results_df], axis=1)


X_train, X_test, y_train, y_test = train_test_split(X, lb_results_df, test_size = 0.4)

classifier = Sequential()
classifier.add(Dense(output_dim = 6, init = 'uniform', activation = 'relu', input_dim = 45781))
classifier.add(Dense(output_dim = 6, init = 'uniform', activation = 'relu'))
classifier.add(Dense(output_dim = 1, init = 'uniform', activation = 'sigmoid'))
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

classifier.fit(X_train, y_train, batch_size = 10, nb_epoch = 100)

Answer 1

这些行通常是您的训练示例，模型希望您省略此维度。因此，如果有 45781 个示例，每个示例有 2 列，则 input_dim 应为 2。此外，如果您正在堆叠层，则可以省略 output_dim 参数，但您必须指定单位（神经元数量）。

最后一个 Dense Layer 需要与 y 的维度具有相同数量的神经元（在您的情况下为 20）。

下面是一个带有虚拟数据的示例：

X_train = np.random.random((300,2))
y_train = np.random.random((300,20))

classifier = Sequential()
classifier.add(Dense(units = 6, init = 'uniform', activation = 'relu', input_dim = 2))
classifier.add(Dense(units = 6, init = 'uniform', activation = 'relu'))
classifier.add(Dense(units = 20, init = 'uniform', activation = 'sigmoid'))
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
classifier.summary()

classifier.fit(X_train, y_train, batch_size=10, nb_epoch=100)