Python：無法在Keras中訓練回歸模型

Question

我正在嘗試與Keras一起訓練DNN。 在此定義模型：

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'))

成本函數是毫秒。 這里的想法是訓練一組3000張尺寸為2050 * 75的圖像，這基本上是從1025 * 75圖像中提取的兩個不同特征，以便在輸出中獲得3000張尺寸為1025 * 75的圖像，這是某種原始圖像的表示形式。

因此，輸入為（3000，2050，75）張量，而輸出尺寸為（3000，1025，75）。

我可以看到Keras為什么給我以下錯誤：

ValueError：檢查目標時出錯：預期density_5具有形狀（None，2050，75），但數組的形狀為（3000，1025，75）

必須有一種避免此錯誤的方法，可能是通過重新定義DNN尺寸或圖層。 你有什么建議嗎？ 謝謝。

編輯：根據要求，這是完整的代碼。

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

因為您不能在內部使用重塑層重塑陣列，因為新陣列的總大小必須保持不變。 我建議使用平整層平整張量。 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，您可以將y_pred重塑為（-1,1015,75）形狀：

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