Keras中的输入和输出尺寸错误

Question

我目前正在处理二进制分类的客户流失管理问题。

拟合模型时出现错误。 输入/输出中似乎有些东西使我无法捕捉到。

这是代码（df包含我要创建矢量的数据框）：

#Delete unimportant columns.
del df['RowNumber']
del df['CustomerId']
del df['Surname']

然后，我必须转换两个类别变量：

#Converting and creating dummy variables for categorical variables
df["Gender"] = df["Gender"].astype('category')
df["Geography"] = df["Geography"].astype('category')
df['Gender'] = pd.get_dummies(df['Gender'])
df['Geography'] = pd.get_dummies(df['Geography'])

y = df.iloc[:, -1] #Label variable
X = df.iloc[:, :10] #Features

将数据集分为测试和培训：

# Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)

接下来，我缩放变量：

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train) 
X_test = sc.transform(X_test)
print(X_train.shape) #(8000, 10)
print(X_test.shape) #(2000, 10)
print(y_train.shape)#(8000,)
print(y_test.shape)#(2000,)

建筑网络：

model = models.Sequential()
model.add(layers.Dense(32, activation='relu', input_shape=(8000,)))
model.add(layers.Dense(1, activation='sigmoid'))
# Compiling Neural Network
model.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
#Fitting our model
model.fit(X_train, y_train, batch_size = 10, epochs = 10)

# Predicting the Test set results
y_pred = classifier.predict(X_test)
y_pred = (y_pred > 0.5)

# Creating the Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

我得到的特定错误代码是：

ValueError：检查输入时出错：预期density_47_input具有形状（None，8），但数组的形状为（8000，10）

解决这个问题的任何帮助将是巨大的！

编辑：model.compile之前的模型摘要：

Edit2：编译后的模型摘要：

Answer 1

我认为您需要纠正此问题：

model.add(layers.Dense(32, activation='relu', input_shape=(10,)))

10是您使用的功能数。 Keras将自动获取批处理/数据集中的行数。

编辑说明 ：

from keras import models
from keras import layers

model = models.Sequential()
model.add(layers.Dense(32, input_shape=(10,)))
model.add(layers.Dense(1))

在这里，将创建仅接受尺寸为10的2D张量的第一层（未指定第零尺寸（批尺寸），因此可以接受任何值）。

因此，该层只能连接到以32维向量为输入的上游。 使用Keras时，您不必担心兼容性，因为添加到模型中的图层是动态构建的，以匹配传入图层的形状。

第二层没有接收到输入形状参数，而是自动将其输入形状推断为之前图层的输出形状。

解码模型中的参数值：

假设这是我的模型：

from keras import models
from keras import layers

model = models.Sequential()
model.add(layers.Dense(32, input_shape=(2,)))
model.add(layers.Dense(1))
model.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
print model.summary()

这是模型摘要：

_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_1 (Dense)              (None, 32)                96
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 33
=================================================================
Total params: 129
Trainable params: 129
Non-trainable params: 0
_________________________________________________________________

对于密集层，我们需要计算以下内容：

output = dot(W, input) + b

要么

output = relu(dot(W, input) + b) #relu here is the activation function

在该表达式中，W和b是作为层属性的张量。 它们被称为层的“权重”或“可训练参数”（分别是内核和偏向属性）。 这些权重包含网络从接触训练数据中学到的信息。

对于第1层（参数= 96）=隐藏单位*输入数据的维数+偏置值

96 = 32 (Hidden Units) * 2 (Data Dimension) + 32 (Bias Value Same as Hidden Units)

对于第2层（参数= 33）=隐藏单位*数据量+偏差值

33 = 1 (Hidden Units) * 32 (Data Dimension) + 1 (Bias Value Same as Hidden Units)

Total Params = 96+33 = 129

希望这可以帮助 ：）

解释源： Keras文档