如何确定keras中的输入形状？

Question

在构建深度学习模型时，我很难找到错误的位置，但在设置输入图层输入形状时我通常会遇到问题。

这是我的模特：

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)

阵列是来自kaggle房价竞争的训练集，我的数据集有75列和1461行。 我的数组是二维的，那么为什么要预期三维呢？ 我尝试添加冗余的第3维1或在第一个密集层之前展平数组，但错误只是变为：

ValueError: Input 0 is incompatible with layer flatten_1: expected 

min_ndim=3, found ndim=2

你如何确定输入大小应该是什么以及为什么它所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。

Answer 1

第0维（样本轴）由训练的batch_size确定。 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量 。

输出也是如此。 看起来你只是预测每个例子的单个值（ "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),
])