无法修复 ValueError：在 Keras 中构建简单的神经网络模型答案

【问题标题】：Can't fix ValueError: Building a simple neural network model in Keras无法修复 ValueError：在 Keras 中构建简单的神经网络模型
【发布时间】：2020-04-16 21:23:06
【问题描述】：

我是 TensorFlow 和 Keras 的新手，我想在 Keras 中构建一个简单的神经网络，可以从 0 到 7 的二进制数（即 000-111）。网络应该有：

1 个输入层，3 个节点，
1 个隐藏层，8 个节点，
1 个输出层，3 个节点。

听起来很简单，但我在构建模型时遇到了问题。我收到以下错误：

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

到目前为止我尝试过的代码：

import plaidml.keras
plaidml.keras.install_backend()
import os
os.environ["KERAS_BACKEND"] = plaidml.keras.backend

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
import numpy as np

x_train = [ [0.0, 0.0, 0.0], [0.0, 0.0, 1.0], [0.0, 1.0, 0.0], [0.0, 1.0, 1.0],
[1.0, 0.0, 0.0], [1.0, 0.0, 1.0], [1.0, 1.0, 0.0], [1.0, 1.0, 1.0]]

y_train = [ [0.0, 0.0, 1.0], [0.0, 1.0, 0.0], [0.0, 1.0, 1.0], [1.0, 0.0, 0.0],
[1.0, 0.0, 1.0], [1.0, 1.0, 0.0], [1.0, 1.0, 1.0], [0.0, 0.0, 0.0]]

x_train = np.array(x_train)
y_train = np.array(y_train)

x_test = x_train
y_test = y_train

print(x_train)
print(y_train)
print("x_test_len", len(x_test))
print("y_test_len", len(y_test))

# Build a CNN model. You should see INFO:plaidml:Opening device xxx after you run this chunk
model = keras.Sequential()
model.add(Dense(input_dim=3, output_dim=8, activation='relu'))
model.add(Dense(input_dim=8, output_dim=3, activation='relu'))

# Compile the model
model.compile(optimizer='adam', loss=keras.losses.sparse_categorical_crossentropy, metrics=['accura cy'])

# Fit the model on training set
model.fit(x_train, y_train, epochs=10)

# Evaluate the model on test set
score = model.evaluate(x_test, y_test, verbose=0)
# Print test accuracy
print('\n', 'Test accuracy ', score[1])

我认为可能有几件事我没有做对。

【问题讨论】：

标签： python tensorflow machine-learning keras neural-network

【解决方案1】：

有两个问题：

您使用'relu' 作为最后一层（即输出层）的激活，但是您的模型应该产生零和一的向量。因此，您需要改用'sigmoid'。
由于'sigmoid'将用于激活最后一层，因此您还需要使用binary_crossentropy作为损失函数。

为了让你更好地理解这个问题，你可以把它看成一个多标签分类问题：输出层的 3 个节点中的每一个都应该作为一个独立的二元分类器（因此使用 sigmoid 作为激活和二元分类器）交叉熵作为损失函数）。

【讨论】：