Python：无法在Keras中训练回归模型

Question

我正在尝试与Keras一起训练DNN。 在此定义模型：

model = Sequential()
model.add(Dense(2050, input_shape=(2050, 75), activation='relu'))
model.add(Dense(1024, activation='relu'))
model.add(Dense(1024, activation='relu'))
model.add(Dense(1024, activation='relu'))
model.add(Dense(75, activation='sigmoid'))

成本函数是毫秒。 这里的想法是训练一组3000张尺寸为2050 * 75的图像，这基本上是从1025 * 75图像中提取的两个不同特征，以便在输出中获得3000张尺寸为1025 * 75的图像，这是某种原始图像的表示形式。

因此，输入为（3000，2050，75）张量，而输出尺寸为（3000，1025，75）。

我可以看到Keras为什么给我以下错误：

ValueError：检查目标时出错：预期density_5具有形状（None，2050，75），但数组的形状为（3000，1025，75）

必须有一种避免此错误的方法，可能是通过重新定义DNN尺寸或图层。 你有什么建议吗？ 谢谢。

编辑：根据要求，这是完整的代码。

X = train_set
Y = m
[n_samples, n_freq, n_time] = X.shape

model = Sequential()
model.add(Dense(n_freq, input_shape=(n_freq, n_time), activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_time, activation='sigmoid'))

model.summary()
model.compile(optimizer='rmsprop',loss='mse',metrics=['mae','accuracy'])
model.fit(np.abs(X), np.abs(Y), epochs=n_epochs, batch_size=batch_size)
score = model.evaluate(np.abs(X), np.abs(Y), batch_size = batch_size)

Answer 1

因为您不能在内部使用重塑层重塑阵列，因为新阵列的总大小必须保持不变。 我建议使用平整层平整张量。 但首先，您需要重塑y：

y = y.reshape(-1, 1025*75)

更新后的模型如下所示：

model = Sequential()
model.add(Dense(n_freq, input_shape=(n_freq, n_time), activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Dense(n_hid, activation='relu'))
model.add(Flatten())
model.add(Dense(1025*75, activation='sigmoid'))

model.summary()
model.compile(optimizer='rmsprop',loss='mse',metrics=['mae','accuracy'])
model.fit(np.abs(X), np.abs(y), epochs=n_epochs, batch_size=batch_size)
#score = model.evaluate(np.abs(X), np.abs(Y), batch_size = batch_size)

之后，您可以将y_pred重塑为（-1,1015,75）形状：

y_pred = y_pred.reshape(-1,1015,75)