层密集的输入 0 与层不兼容：输入形状的预期轴 -1 具有值 3，但收到的输入形状为 (None, 1)

Question

我正在尝试使用遗传算法来自动化神经网络的设计。 我对神经网络和 tensorflow 很陌生，所以如果我不能提供信息或正确解释事情，请原谅我。 我有多个问题需要解决。

我的输入是一个浮点值数组：

self.data_inputs = np.array([self.car_location, self.car_velocity, self.ball_location]).astype(np.float)

我想要的输出是这样的：

self.desired_output = np.asarray([1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0])

也就是说，我试图使使用 softmax 的神经网络输出层在此特定实例中生成接近 1 的分数。

第一个问题，我应该如何定义输出（对于神经网络）？ 目前它被定义为：

output_layer = tensorflow.keras.layers.Dense(13, activation="softmax", name="output")

第二个问题，我将我的网络定义为这样生成：

        input_layer = tensorflow.keras.layers.InputLayer(3, name="input")
        dense_layers = []
        output_layer = tensorflow.keras.layers.Dense(13, activation="softmax", name="output")
        self.text = f"Creating new generation"
        if (len(model_array) == 0): # generate random population
            for individual in range(self.population_size):
                chosen_input = random.randint(3, 60)
                input_for_dense_layer = tensorflow.keras.layers.InputLayer(chosen_input)
                dense_layers.append(input_for_dense_layer)
                index = 1
                for i in range(random.randint(1,5)):
                    dense_layer = tensorflow.keras.layers.Dense(chosen_input, activation = "relu")
                    dense_layers.append(dense_layer)
                    chosen_input = random.randint(3, 60)
                    index += 1

                model = tensorflow.keras.Sequential()
                model.add(input_layer)
                for dense_layer in dense_layers:
                    model.add(dense_layer)
                model.add(output_layer)
                model.compile(optimizer=random.choice(self.optimizer_array), loss=random.choice(self.loss_array), metrics=['accuracy'])
                model_array.append(model)

但这会产生一个错误：

    ValueError: Input 0 of layer dense_1 is incompatible with the layer: expected axis -1 of input shape to have value 3 but received input with shape (None, 1)

谁能向我解释我如何没有正确地将这些层连接在一起？ 据我所知（和测试）它似乎可以正常工作，但是当我在此 API 的上下文中启动它时，我尝试使用它会引发此错误。 我只是测试不够广泛吗？

Answer 1

1. Softmax 输出将返回 13 个正值，其总和为 1。在这里，您似乎希望所有值的“独立”概率介于 0 和 1 之间，因此您应该使用activation='sigmoid'来执行您想要的操作。
2. 您的模型有 2 个 InputLayer（ input_layer和input_for_dense_layer ），这可能会导致第一层的形状期望混淆。