ValueError：“順序”層的輸入 0 與該層不兼容

Question

我目前正在使用 keras/tensorflow 實現我的第一個項目，到目前為止它運行良好，但現在我遇到了一個我不知道如何解決的錯誤。 我在谷歌上搜索了很多，發現了很多相關問題，但沒有一個能解決我的問題。

這是我想要實現的目標：

我有一個聊天機器人 model，我用數據集對其進行了訓練，以提供“標准”對話，例如你好，你好嗎等等。 現在我想用一個數據集“擴展”現有的 Model，該數據集提供與運輸、庫存等相關問題的答案。

這是我的工作/已經訓練過的 model：

# create Sequential model
    model = Sequential()

    # add first layer with input shape dependent on size of input and "relu" activation function
    model.add(Dense(256, input_shape=(len(training_data_x[0]),), activation=activations.relu))

    # add Dropout to prevent overfitting
    model.add(Dropout(0.6))
    # additional layer with 64 neurons
    model.add(Dense(128, activation=activations.relu))
    model.add(Dropout(0.2))
    # Additional dense layer with num of neurons of classes & softmax activation function
    # -> adds results in output layer to "1" to get %
    model.add(Dense(len(training_data_y[0]), activation=activations.softmax))
    # print(len(training_data_y[0])) = 71
    sgd = SGD(learning_rate=0.01, decay=1e-6, momentum=0.9, nesterov=True)
    # compile the model
    model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

    output = model.fit(np.array(training_data_x), np.array(training_data_y), epochs=200, batch_size=5, verbose=1)
    plot_model_output(output)
    model.summary()
    model.save('./MyModel_tf', save_format='tf')

訓練數據在單獨的class中准備，並以某個json文件作為輸入。

現在我只是將 JSON 文件交換為包含與我要添加到 model 的內容相關的數據的文件，並嘗試像這樣安裝它：

json_data = json.loads(open('data.json').read())

model = load_model('MyModel_tf')

model.fit(np.array(training_data_x), np.array(training_data_y), epochs=200, batch_size=5, verbose=1)

但是，當我運行它時出現此錯誤：

ValueError: Input 0 of layer "sequential" is incompatible with the layer: expected shape=(None, 652), found shape=(None, 71)

我假設數據是問題所在。但是它的結構完全相同，只是更短。

現在我的問題：

1. 我嘗試實施它的方式有意義嗎？
2. 我應該嘗試以不同的方式添加額外的數據嗎？
3. 第二個數據集是否必須與第一個數據集的長度相同？

任何幫助表示贊賞！

Answer 1

問題可能出在這一行

model.add(Dense(256, input_shape=(len(training_data_x[0]),), activation=activations.relu))

您根據training_data_x的特征維度的大小定義 model 的輸入形狀。 現在您已經定義了這個非常具體的輸入形狀，輸入 model 的所有數據必須具有相同的特征維度大小。 這就是你錯誤的原因。