如何确定keras中的输入形状？答案

【问题标题】：How to determine input shape in keras?如何确定keras中的输入形状？
【发布时间】：2019-10-27 03:35:41
【问题描述】：

我在构建深度学习模型时很难找到错误所在，但在设置输入层输入形状时通常会遇到问题。

这是我的模型：

model = Sequential([
Dense(32, activation='relu', input_shape=(1461, 75)),
Dense(32, activation='relu'),
Dense(ytrain.size),])

它返回以下错误：

 ValueError: Error when checking input: expected dense_1_input to have 3

 dimensions, but got array with shape (1461, 75)

该数组是来自 kaggle 房价竞赛的训练集，我的数据集有 75 列和 1461 行。我的数组是二维的，那么为什么需要 3 维呢？我尝试在第一个密集层之前添加冗余的第 3 维或将数组展平，但错误只是变成：

ValueError: Input 0 is incompatible with layer flatten_1: expected 

min_ndim=3, found ndim=2

您如何确定输入大小应该是多少，为什么它期望的尺寸看起来如此随意？

作为参考，我附上了我的其余代码：

xtrain = pd.read_csv("pricetrain.csv")
test = pd.read_csv("pricetest.csv")
xtrain.fillna(xtrain.mean(), inplace=True)
xtrain.drop(["Alley"], axis=1, inplace=True)
xtrain.drop(["PoolQC"], axis=1, inplace=True)
xtrain.drop(["Fence"], axis=1, inplace=True)
xtrain.drop(["MiscFeature"], axis=1, inplace=True)
xtrain.drop(["PoolArea"], axis=1, inplace=True)
columns = list(xtrain)
for i in columns:
    if xtrain[i].dtypes == 'object':
        xtrain[i] = pd.Categorical(pd.factorize(xtrain[i])[0])
from sklearn import preprocessing

le = preprocessing.LabelEncoder()
for i in columns:
    if xtrain[i].dtypes == 'object':
        xtrain[i] = le.fit_transform(xtrain[i])
ytrain = xtrain["SalePrice"]
xtrain.drop(["SalePrice"], axis=1, inplace=True)
ytrain = ytrain.values
xtrain = xtrain.values
ytrain.astype("float32")

size = xtrain.size
print(ytrain)
model = Sequential(
    [Flatten(),
     Dense(32, activation='relu', input_shape=(109575,)),
     Dense(32, activation='relu'),
     Dense(ytrain.size),
     ])
model.compile(loss='mse', optimizer='adam')
model.fit(xtrain, ytrain, epochs=10, verbose=1)

任何建议都会非常有帮助！

谢谢。

【问题讨论】：

标签： python numpy keras deep-learning

【解决方案1】：

第 0 维（样本轴）由训练的batch_size 确定。在定义输入形状时省略它。这是有道理的，否则您的模型将取决于数据集中的样本数。

输出也是如此。您似乎只预测每个示例的单个值 ("SalePrice")。所以输出层的形状为 1。

model = Sequential([
    Dense(32, activation='relu', input_shape=(75, )),
    Dense(32, activation='relu'),
    Dense(1),
])

【讨论】：