keras 输入层传递一个二维张量，而它的形状是一维的

Question

我正在使用 tensorflow 和 keras 迈出第一步，我创建了一个数据集，其中包含元组，其中嵌入了来自 VGG16 模型的图像作为数据和标签，它们是二进制多标签。例如，这是我的数据集中的一个元素的打印：

(<tf.Tensor: shape=(4096,), dtype=float32, numpy=
array([0.32185513, 0.14869851, 0.4276036 , ..., 0.        , 0.        ,
       1.7438936 ], dtype=float32)>, <tf.Tensor: shape=(12,), dtype=int32, numpy=array([0, 1, 1, 1, 0, 0, 0, 0, 1, 1, 0, 0])>)

我建立了以下模型：

inputs = Input(shape = (4096,), name = 'input_1')
dense_1 = Dense(units = 2048, name = "dense_1", activation = 'sigmoid')(inputs)
dense_2 = Dense(units = 2048, name = "dense_2", activation = 'sigmoid')(dense_1)
output = Dense(units = 12, name = "output", activation = 'sigmoid')(dense_2)
model = Model(inputs = inputs, outputs = output)
model.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = 'accuracy')
model.summary()
model.fit(train_ds, validation_data = val_ds)

当我尝试拟合模型时出现以下错误

ValueError：dense_1 层的输入 0 与该层不兼容：输入形状的预期轴 -1 具有值 4096，但接收到形状为 [4096, 1] 的输入

据我了解，模型期望一维张量作为输入，但得到一个二维张量，数据集中的数组是一维的，因此我不明白为什么它们作为二维张量从输入层传递。 任何帮助找出导致此错误的原因以及如何解决它？

编辑： 创建数据集的代码是：

embed_train = np.load("Desktop/DL projects/pawpularity/petfinder-pawpularity-score/VGG16_embed.npy")
print(embed_train.shape)
>>>(9912, 4096)
print(train_labels.shape)
>>>(9912, 12)
train_ds = tf.data.Dataset.from_tensor_slices((embed_train, train_labels))
train_ds = train_ds.shuffle(10000)
test_ds = train_ds.take(1000)
train_ds = train_ds.skip(1000)
val_ds = train_ds.take(2000)
train_ds = train_ds.skip(2000)

embed_train 和 train_labels 都是 numpy 数组，如您所见，我一共有 9912 个示例，每个示例包含 4096 个特征，需要针对每个标签进行分类（共 12 个标签）独立。

Answer 1

我能够不使用Dataset 让您的代码正常工作，而是直接传递训练数据和标签。

import tensorflow as tf
import numpy as np
from tensorflow.keras import Input
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Model

# random data in your shape - you can split for validation/validation labels if you want. 
# You would use your own embed_train and labels here
embed_train = np.random.rand(9912, 4096) 
train_labels= np.random.randint(0, 12, [9912, 12])

inputs = Input(shape=(4096,), name ='input_1')
dense_1 = Dense(units = 2048, name = "dense_1", activation = 'sigmoid', input_shape=(4096,1))(inputs)
dense_2 = Dense(units = 2048, name = "dense_2", activation = 'sigmoid')(dense_1)
output = Dense(units = 12, name = "output", activation = 'sigmoid')(dense_2)
model = Model(inputs = inputs, outputs = output)
model.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = 'accuracy')
model.summary()
model.fit(embed_train , train_labels)

如果你想打乱数据，你可以使用another帖子中的这个答案：

indices = tf.range(start=0, limit=tf.shape(embed_train)[0], dtype=tf.int32)
idx = tf.random.shuffle(indices)

x_data = tf.gather(embed_train, idx)
y_data = tf.gather(train_labels, idx)

model.fit(x_data, y_data)

编辑： 对于数据集，我认为您需要指定批量大小：

train_ds = train_ds.batch(32)

model.fit(train_ds)

这适用于我的电脑。