keras中卷积神经网络的输出形状误差

Question

我一直在研究一个简单的卷积神经网络模型，但输出似乎与我想要的形状不匹配。你知道吗

from keras.layers import Input, Conv2D, MaxPooling2D, Reshape, Flatten, Dense, Dropout, Activation
from keras.models import Sequential
from keras.layers.convolutional import *
from keras.layers.pooling import *
from keras.optimizers import Adam
from keras.optimizers import rmsprop
from keras.metrics import categorical_crossentropy

model_CL = Sequential([
    Dense(64, activation = 'relu', input_shape = (200, 4, 1)),
    Conv2D(64, kernel_size = (3, 3), activation = 'relu', padding = 'same'),
    MaxPooling2D(pool_size = (2, 2), strides = 2, padding = 'valid'),
    Dropout(rate=0.3),
    Conv2D(64, kernel_size = (5, 5), activation = 'relu', padding = 'same'),
    Flatten(),
    Dense(2, activation = 'softmax')
])




model_CL.compile(loss = 'sparse_categorical_crossentropy', metrics = ['accuracy'], optimizer = 'Adam')
model_CL.summary()


from keras.callbacks import EarlyStopping
from keras.callbacks import ModelCheckpoint

es_CL = EarlyStopping(monitor='val_loss', mode='min', verbose=1, patience=5)
mc_CL = ModelCheckpoint('best_model_CL.h5', monitor='val_acc', mode='max', verbose=1, save_best_only=True)

epochs = 50
hist_CL = model_CL.fit(CL_train_input, CL_train_label, validation_data=(CL_validation_input, CL_validation_label), batch_size=32, epochs=epochs, verbose=0, callbacks=[es_CL, mc_CL])

所以我的输入大小似乎不是问题。 我的训练集输入形状是（13630，200，4，1），其中13630是数据数，而我的训练标签如下。(13630, 2) 我所期望的模型输出形状是（2，），但它似乎期望（1，）作为输出大小。你知道吗

所以我的错误是这样的。你知道吗

检查目标时出错：预期密集的\u 28具有形状（1，），但获得了形状为（2，）的数组

仅供参考

型号：“顺序\u 14”

---

层（类型）输出形状参数#

稠密\u 27（稠密）（无，200，4，64）128

---

conv2d_27（conv2d）（无，200，4，64）36928

---

最大池2d\u 14（最大池（None，100，2，64）0

---

辍学\u 14（辍学）（无、100、2、64）0

---

conv2d_28（conv2d）（无，100，2，64）102464

---

展平\u 13（展平）（无，12800）0

---

稠密\u 28（稠密）（无，2）25602

总参数：165122 可培训参数：165122 不可训练参数：0

这是我的模型的摘要。我不太清楚它为什么期待（1，）。你知道吗

Answer 1

这里的问题是，你把2作为输出，而你在输入层只给出1。 这是你能做的

• 在输出层中，这个Dense(2, activation = 'softmax')您可以将第一个参数更改为1，这意味着您将为一个二进制问题获取一个输出。就像这样Dense(1, activation = 'softmax')。你知道吗
• 您可以做的另一件事是，您可以选择一个不同的损失函数，例如binary\u crossentorpy，然后您可以使用keras-utils函数to_categorical()转换标签。 CL_train_labels = to_categorical(CL_train_labels) 我希望这能起作用。你知道吗