TensorflowNN架構不兼容的形狀

我正在嘗試使用 Tensorflow 創建一個多任務神經網路。以下是我正在嘗試開發的架構：

METRICS= [tf.keras.metrics.TruePositives(name='TP'),
         tf.keras.metrics.FalsePositives(name='FP'),
         tf.keras.metrics.TrueNegatives(name='TN'),
         tf.keras.metrics.FalseNegatives(name='FN'),
         tf.keras.metrics.Precision(name='precision'),
         tf.keras.metrics.Recall(name='recall'),
         tf.keras.metrics.AUC(curve='PR', name='PR-AUC')]

input_shape = (X_train.shape[1],)
inputlayer = tf.keras.layers.Input(shape=input_shape)
l1 = tf.keras.layers.Dense(input_shape[0]*2, activation= 'relu')(inputlayer)
l2 = tf.keras.layers.Dropout(0.1)(l1)
l3 =  tf.keras.layers.Dense(int(input_shape[0]/2), activation='relu')(l2)
output1 = tf.keras.layers.Dense(1, activation='sigmoid', name = 'output1')(l3)
output2 = tf.keras.layers.Dense(10, activation='softmax', name = 'output2')(l3)
output3 = tf.keras.layers.Dense(12, activation='softmax', name = 'output3')(l3)

model = tf.keras.Model(inputs=inputlayer, outputs=[output1, output2, output3])

model.compile(loss={"output1": 'binary_crossentropy',
                    "output2": 'categorical_crossentropy',
                    "output3": 'categorical_crossentropy'},
              optimizer=tf.keras.optimizers.Adam(learning_rate=.01), 
              metrics = METRICS, loss_weights = [1, 1e-1, 1e-1])

這是模型架構：

然后我嘗試像這樣訓練模型：

BATCH_SIZE= 20

model.fit(X_train, [y1_train,y2_train,y3_train], batch_size=BATCH_SIZE, epochs=10, verbose=0)

但是我遇到了以下問題：

ValueError：形狀（無，1）和（無，10）不兼容

我已經驗證了每個輸出的標簽，它們分別是 2、10 和 12 我不明白問題到底是什么，誰能給我一個建議？

uj5u.com熱心網友回復：

我認為您可能混淆了標簽的順序。這是一個作業示例：

import tensorflow as tf 

METRICS= [tf.keras.metrics.TruePositives(name='TP'),
         tf.keras.metrics.FalsePositives(name='FP'),
         tf.keras.metrics.TrueNegatives(name='TN'),
         tf.keras.metrics.FalseNegatives(name='FN'),
         tf.keras.metrics.Precision(name='precision'),
         tf.keras.metrics.Recall(name='recall'),
         tf.keras.metrics.AUC(curve='PR', name='PR-AUC')]

input_shape = (31,)
inputlayer = tf.keras.layers.Input(shape=input_shape)
l1 = tf.keras.layers.Dense(input_shape[0]*2, activation= 'relu')(inputlayer)
l2 = tf.keras.layers.Dropout(0.1)(l1)
l3 =  tf.keras.layers.Dense(int(input_shape[0]/2), activation='relu')(l2)
output1 = tf.keras.layers.Dense(1, activation='sigmoid', name = 'output1')(l3)
output2 = tf.keras.layers.Dense(10, activation='softmax', name = 'output2')(l3)
output3 = tf.keras.layers.Dense(12, activation='softmax', name = 'output3')(l3)

model = tf.keras.Model(inputs=inputlayer, outputs=[output1, output2, output3])

model.compile(loss={"output1": 'binary_crossentropy',
                    "output2": 'categorical_crossentropy',
                    "output3": 'categorical_crossentropy'},
              optimizer=tf.keras.optimizers.Adam(learning_rate=.01), 
              metrics = METRICS, loss_weights = [1, 1e-1, 1e-1])

y1_train, y2_train, y3_train = tf.random.uniform((50, 1), maxval=2), tf.random.uniform((50, 10), maxval=11), tf.random.uniform((50, 12), maxval=13)
model.fit(tf.random.normal((50, 31)), [y1_train,y2_train,y3_train], batch_size=20, epochs=10)

您需要確保y1_train，y2_train以及y3_train在正確的順序，并有正確的形狀，即(samples, 1)，(samples, 10)和(samples, 12)。

標籤：张量流 神经网络

上一篇：PythonTransformers錯誤：“dict物件沒有屬性架構”

下一篇：如何使用tf.random.uniform而不生成重復項