具有2个输入的Keras模型抱怨输入形状
Keras是一个开源的深度学习框架，它提供了简单易用的API，用于构建和训练神经网络模型。Keras模型可以接受多个输入，每个输入可以具有不同的形状。当一个Keras模型抱怨输入形状时，通常是由于输入数据的形状与模型期望的形状不匹配。
为了解决这个问题，我们可以采取以下步骤：
- 检查输入数据的形状：首先，我们需要检查输入数据的形状是否与模型期望的形状相匹配。可以使用
numpy库中的shape属性来获取输入数据的形状。如果输入数据是图像，可以使用OpenCV或PIL库加载图像，并使用shape属性获取图像的形状。 - 调整输入数据的形状：如果输入数据的形状与模型期望的形状不匹配，我们可以使用Keras的预处理功能来调整输入数据的形状。例如，可以使用
numpy库中的reshape函数来改变输入数据的形状，使其与模型期望的形状相匹配。 - 调整模型的输入层：如果输入数据的形状无法直接调整到与模型期望的形状相匹配，我们可以尝试调整模型的输入层。Keras提供了
Input函数来定义模型的输入层，并可以指定输入数据的形状。通过调整输入层的形状，我们可以使其与输入数据的形状相匹配。 - 检查模型的架构：如果输入数据的形状与模型期望的形状相匹配，但仍然出现输入形状的投诉，可能是由于模型的架构问题。我们可以检查模型的架构，确保输入数据的形状与每一层的输入形状相匹配。
总结起来，当一个具有2个输入的Keras模型抱怨输入形状时，我们需要检查输入数据的形状是否与模型期望的形状相匹配，并根据需要调整输入数据的形状或模型的输入层。如果问题仍然存在，我们需要检查模型的架构，确保输入数据的形状与每一层的输入形状相匹配。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云：https://cloud.tencent.com/
- 人工智能：https://cloud.tencent.com/solution/ai
- 云原生：https://cloud.tencent.com/solution/cloud-native
- 物联网：https://cloud.tencent.com/solution/iot
- 移动开发：https://cloud.tencent.com/solution/mobile-development
- 存储：https://cloud.tencent.com/solution/storage
- 区块链：https://cloud.tencent.com/solution/blockchain
- 元宇宙：https://cloud.tencent.com/solution/metaverse
相关·内容
1回答
我已经在互联网上搜索了几天，试图找到一个解决这个错误的方法，但我找不到的任何东西都是特别适用的：
ValueError: Error when checking target: expected dense_2 to have shape (300,) but got array with shape (60,)
下面是生成错误的代码(数据预处理除外)：
model = keras.Sequential([
keras.layers.Conv1D(5,input_shape=(1,60), kernel_size=12, padding='same'),
keras.laye
浏览 3提问于2018-12-08得票数 0
回答已采纳
3回答
我目前有一个类似于这样的keras模型：
model = keras.Sequential()
model.add(keras.layers.Dense(100, activation=tf.nn.relu))
model.add(keras.layers.Dense(100, activation=tf.nn.relu))
model.add(keras.layers.Dense(len(labels), activation=tf.nn.softmax))
告诉我：
模型需要知道它应该期望什么样的输入形状。因此，序列模型中的第一层(而且只有第一层，因为下面的层可以进行自动形状推断)需要接
浏览 0提问于2019-09-10得票数 13
回答已采纳
1回答
因此，我目前正试图了解多输入keras模型预期的格式，而不知道如何在多个输入keras模型中提供信息。
from tensorflow.keras.models import Model
import tensorflow.keras
import tensorflow as tf
first_input = Input(2)
second_input = Input(2)
concat_layer= Concatenate()([first_input, second_input ])
hidden= Dense(2, activation="relu")(concat_l
浏览 0提问于2021-05-22得票数 0
回答已采纳
1回答
输入形状和Keras
、、、、
我有一组训练数据，其中每个输入都是长度为138的向量。我有519个这样的向量，批次大小为519。这些不是图像，而是实数。 我试着从2层密集的Keras模型开始： model = keras.Sequential([
layers.Dense(200, activation=tf.nn.relu, input_shape=[138]),
layers.Dense(200, activation=tf.nn.relu),
layers.Dense(1)
]) 当我构建模型时，我得到了以下错误： Error when checking input: expected den
浏览 9提问于2019-01-04得票数 0
我正在努力弄清楚如何将一个功能模型提供给keras中的LSTM门。我有一个元组的时间序列(整数，浮点数，浮点数)。ints是不有序的，应该通过和嵌入层。然后，我希望元组(在嵌入int之后)通过LSTM层。
我开始的时候
from keras.layers import Input
from keras.layers import Embedding
from keras.layers import LSTM
import keras
inputs = [(42, 0.5, 0.6), (36, 0.4, 0.7), (50, 0.2, 0.9)] # example. The real
浏览 2提问于2017-07-06得票数 0
回答已采纳
1回答
我很难理解我想要创造的模型。
我有几个问题要问，所以我先解释一下我的模型，以及我想做什么：
我已经创建了数据序列(模型的输入和输出)，每个步骤有7个时间步骤，因此输入将是某一周的天数的值，输出是下一周的天数的值(**因此，我的模型的input1的输入形状与输出**相同)。
我还准备了另一个输入列表，它有一些额外的特性，比如假日标志和天气条件，用于**下周**，因此模型的第二个input2具有每个示例的形状(7,7)。
以下是完整的示范摘要：
📷
在lstm层和一个完全连接的NN之后，我尝试将两个输入连接在一起，基本上，我想将input2连接到层dense_1的输出。因此，我将(7,1
浏览 0提问于2020-10-15得票数 2
回答已采纳
2回答
这是我的模型：
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(40, 40, 3)),
tf.keras.layers.Dense(150, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
我的输入张量叫做image_batch。当我运行np.shape(image_batch[0])时，结果是TensorShape([40, 40, 3])。这是预期的
浏览 10提问于2020-02-20得票数 0
回答已采纳
1回答
我尝试从我的LSTM模型中预测一个结果
我的模型有n_features = 32和time_step = 100，代码如下
model = tf.keras.Sequential([
tf.keras.layers.InputLayer( input_shape=(time_step , n_features)),
tf.keras.layers.LSTM(64),
tf.keras.layers.Dense(1)]
)
我使用生成器训练我的模型
generator = TimeseriesGenerator(x_feature,y_target,length=time_st
浏览 0提问于2020-03-21得票数 0
1回答
一个跨度=1和1的一维CNN滤波器不应该有等于输入长度的输出长度，而不需要填充吗？ 我认为是这样的，但创建了一个具有这些规范的Keras模型，当输入形状为(17910,1)时，该模型的输出形状为(17902,1)。我想知道为什么维数降低了，因为步长是1，它是一维卷积。 model = keras.Sequential([
layers.Conv1D(filters=1,kernel_size=9,strides=1,activation=tf.nn.relu,input_shape=X_train[0].shape)
]) 我期望这个模型的输出形状应该是(17910,1)，但
浏览 16提问于2019-04-16得票数 1
回答已采纳
1回答
我对Keras很陌生，我正试着测试一个我刚刚训练过的模型。
我正在使用Tensorflow后端和Python 3。
但是，输入的形状与Keras表示的错误形状完全不同。这是我的密码：
testnote = np.zeros((3,))
testnote[0] = 70
testnote[1] = 70
print(testnote.shape)
pred = model.predict(testnote)
print(pred)
我的一致输出是"(3，)“用于测试注释的形状，然后是对我的预测行的一个错误："ValueError:当检查输入时出错:预期的dense_1_input
浏览 0提问于2018-08-08得票数 3
回答已采纳
1回答
角角如何从其形状中选择输入？
、、、、
在Keras中，我们不指定输入是什么，而是指定它的形状。Keras如何选择用作输入的数组？
例如，我有两个输入不同的模型，但这两个输入具有相同的形状。如何指定哪个输入到哪个模型？
浏览 0提问于2018-05-15得票数 0
回答已采纳
1回答
我是keras的新用户，并试图实现LSTM模型。对于测试，我声明模型如下，但由于输入维度的不同，它失败了。虽然我在这个网站上发现了类似的问题，但我自己找不到自己的错误。
ValueError:
Error when checking model input:
expected lstm_input_4 to have 3 dimensions, but got array with shape (300, 100)
我的环境
python 3.5.2
keras 1.2.0 (Theano)
代码
从keras.layers导入输入，从keras.models导入顺序从k
浏览 1提问于2017-03-12得票数 3
回答已采纳
1回答
我在keras中有一个多类(4类)分类模型，类似于。
在训练时，模型期望输入形状为(None，None,300)。也就是说，如果有'n‘个不同的输入序列，那么输入形状应该是(n，无，300)。在我的例子中，每个输入序列的大小是不同的。假设输入序列的形状为(1000,300)、(1500,300)、(1200,300)和(2000,300)。现在我需要把它们放在一起(4，无，300)。我尝试使用numpy array，但是numpy array不会给出(4，None,300)的形状，而是(4L，)。
现在我想知道如何训练我的模型？是否可以使用numpy数组或任何不同的数据结构？
浏览 3提问于2017-06-29得票数 1
回答已采纳
所有的最新版本从这篇文章的时刻开始。
tensorflow-gpu: 2.6.0
Python: 3.9.7
CUDA: 11.4.2
cuDNN: 8.2.4
如下面的代码所示，当加载一个通过不向Normalization()传递参数而标准化的模型时，当该模型由load_model()加载时，它会抛出一个异常，但是在加载该模型之前，我可以使用它，而不会出现任何明显的问题，这使您认为它是好的，因为Normalization()没有抱怨并处理输入形状。当加载被Normalization(input_dim=5)规范化的模型时，它不会抛出任何异常，因为指定了已知的形状。这很奇怪，我的意思是Norm
浏览 22提问于2021-09-09得票数 0
回答已采纳
1回答
我试图将模型移植到Keras。
但是，在将Conv2D层的输出连接到LSTM层时，我被卡住了。
来自CNN层的输出将具有( batch_size，512，1，width_dash)的形状，其中第一个依赖于batch_size，最后一个依赖于输入的输入宽度(该模型可以接受可变宽度输入)。
例如:一个形状为2，1，32,829的输入以(2,512，1,208)的形状输出。
现在，根据，我们必须做挤压(2)，然后是permute(2，0，1)，它将产生一个形状为208，2,512的张量。
我试图实现这是Keras，但我无法做到这一点，因为在Keras中，我们不能在keras.models.Seque
浏览 0提问于2018-01-20得票数 6
回答已采纳
1回答
我试图重写一个用来对卫星图像进行分类的keras模型，这个模型是一个NN模型，我想重写它给CNN，我从上找到了这个模型。
以前的NN模型是这样的：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(1, nBands)),
keras.layers.Dense(14, activation='relu'),
keras.layers.Dense(2, activation='softmax')])
原来的图像形状是6, 2054, 2044，经过对二维阵列的整形后，它
浏览 3提问于2020-07-17得票数 0
回答已采纳
1回答
我编写了一个定制的TensorFlow模型。然而，当我将单个张量传递给它时，它会将该张量的每个元素视为单个输入，从而给出一个批处理输出。
就像。我的输入张量为3,1的形状，值为：
tf.Tensor(
[[0.7001484 ]
[0.2581525 ]
[0.04169908]], shape=(3, 1), dtype=float32)
对应于此，我应该得到一个形状向量(3，)。但我得到的是3x3张量：
tf.Tensor(
[[0.31234854 0.3224371 0.36521438]
[0.32561225 0.3294511 0.3449366 ]
[0.33208
浏览 2提问于2020-06-12得票数 0
回答已采纳
1回答
我有一个keras模型，最后一层的输出形状是(None,574,6)，None是我的批处理大小的模型。
我还有一个名为anchors的二维numpy数组，其形状为(574,6)。
我想要的是每个数据的输出减去numpy数组元素。
import keras.backend as K
anchor_tensor = K.cast(anchors, tf.float32)
print(K.int_shape(anchor_tensor))
#(576, 4)
print(K.int_shape(y_pred))
#(None, 574, 6)
y_pred - anchor_tensor
由于ba
浏览 2提问于2019-09-24得票数 0
回答已采纳
我在keras中有两个受过训练的模型，我想把一个放在另一个上面，形成一个模型。我想把我受过训练的模特组合成一个。
我认为merge(Merge)是用于水平堆叠模型，而我想要垂直堆叠keras函数API模型。
PS :输出1的形状与输入2相同。
浏览 1提问于2018-04-30得票数 5
回答已采纳
DenseNet预训练模型(VGG、ResNet、Keras等)在具有输入形状(224,224，3)的ImageNet上训练后建立权重。但是，Keras允许我们指定任何其他输入形状(宽度和高度不应小于32)。当输入形状不是(224,224，3)时，Keras如何确定第一个隐藏层的初始权重？
浏览 0提问于2021-10-22得票数 1
我正在尝试用tensorflow后端在keras中训练一个预先训练过的inceptionv3模型。
我有一个训练数据集，大小为10,000张图片(299,299张)(它们是灰度)。我将其转换为tensorflow的输入形状为(10000,299,299,1)。当我试图拟合inceptionv3模型时，我得到了一个错误
ValueError:检查输入时出错:期望input_1具有形状(无，3)，但得到了形状数组(10000,2999,299，1)
我尝试更改张量的输入形状，使用
input_tensor = Input(shape=(299,299,1))
base_model = In
浏览 1提问于2017-06-30得票数 1
回答已采纳
1回答
我正在尝试加载一个Keras模型，并使用它进行预测，结果遇到了一个奇怪的错误。最起码的例子如下：
from keras import models
import numpy as np
model = models.load_model('model_4hiddenLayers_16unitsPerLayer_relu_learningRate0p0001.h5')
x = np.ones(36, dtype=float)
prediction = model.predict(x )
模型期望输入形状为(36，)，这应该是x的形状，我对此进行了验证：
print('x
浏览 0提问于2018-10-15得票数 2
我已经训练了一个基于Keras的自动编码器模型，输入层如下： depth = 1
width = height = 100
input_shape = (height, width, depth)
inputs = Input(shape=input_shape)
# rest of network definition ... 我的训练图像的宽度和高度是100像素的灰度，因此深度为1。现在我想在另一个脚本中加载我的训练模型，在那里加载图像，调整大小并将其发送到Keras模型： size = 100
image = cv2.imread(args.image, cv2.IMREAD_GRAY
浏览 30提问于2021-04-02得票数 1
回答已采纳
在预先实现的keras模型(VGG16等)中，我们指定可以改变模型输入的形状，并仍然加载经过预先训练的imagenet权重。
我感到困惑的是，第一层的权重会发生什么呢？如果输入张量有一个不同的形状，那么权值的数量将不同于预先训练的模型，不是吗？
这里是Keras VGG16模型的实现，可供参考。
浏览 0提问于2017-12-04得票数 1
回答已采纳
我想用Keras实现CNN模型。我的数据的形状分别为NHW (N，40，4)。你可以看到它是一个大小为40x4的灰度图像。我想跨越内核，它的大小(3，4)刚好在高度轴上，所以它应该计算3整行的结果。正如您所看到的，没有通道(这意味着我有一个3张)，但是Keras Conv2D层需要一个NHWC (4张)的形状。无论如何，我都通过以下命令进行了尝试，但显然会导致一个错误：
tf.keras.layers.Conv2D(8, kernel_size=(3, 4), activation="relu", input_shape=(40, 4)
ValueError:层顺序的输入0与
浏览 2提问于2021-03-17得票数 0
我正在尝试将一个非常简单的CoreML模型转换为CoreML，然而，keras模型的输入似乎与我的预期不符。 我正在创建的模型的输入形状为(5，10) (5个时间步，10个特征)，但是，在转换模型并在Xcode中打开模型后，它显示输入类型为MultiArray (Double 10)，据我所知，这是一个一维数组。我的问题是，我做错了什么？有没有办法告诉CoreML输入是5x10？ 下面是我正在创建的keras模型 from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import
浏览 9提问于2020-01-11得票数 1
1回答
我正在研究一个使用tf.keras.Conv2D的模型，它分析了一段时间内许多平面的模式，模型的输入形状是(无，9，19，19)，9是观察到的时间帧的数量。输入形状是这样的原因是，我将19x19个模式随时间对齐，以形成一个数组。转换为tf.constant时，此数组的形状为(9，19，19)。 这里有一个问题:默认情况下，tf.keras.Conv2D将输入形状的最后一个条目视为深度，并保持第二个和第三个条目的一致性。这意味着如果我保持网络输入形状，新的Conv2D层的形状将具有形状(None，9，19，filter_numer)，但我想要的2D维度是19x19，而不是9x19。如果我将输入
浏览 3提问于2020-06-17得票数 0
回答已采纳
我试着把我自己的形象输入到mnist模型中
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu
浏览 1提问于2019-08-07得票数 0
回答已采纳
1回答
在我的模型中，一个层的形状是[None, None, 40, 64]。我想把它重塑成[None, None, 40*64]。但是，如果我简单地执行以下操作：
reshaped_layer = Reshape((None, None, 40*64))(my_layer)
它抛出一个错误，抱怨None values not supported。
(为了清楚起见，这不是tf.keras，这只是Keras)。
浏览 0提问于2018-11-23得票数 3
1回答
我创造了一个模型。但是当我想要模型做估计时，我会得到一个错误。
inputs = tf.keras.Input(shape=(512, 512,1))
conv2d_layer = tf.keras.layers.Conv2D(32, (2,2), padding='Same')(inputs)
conv2d_layer = tf.keras.layers.Conv2D(32, (2,2), activation='relu', padding='Same')(conv2d_layer)
bn_layer = tf.keras.layers.
浏览 1提问于2021-06-16得票数 1
回答已采纳
1回答
了解keras层中的形状
、、、、
我正在学习Tensorflow和Keras来实现LSTM many-to-many模型，其中输入序列的长度等于输出序列的长度。
示例代码：
输入：
voc_size = 10000
embed_dim = 64
lstm_units = 75
size_batch = 30
count_classes = 5
型号：
from tensorflow.keras.layers import ( Bidirectional, LSTM,
Dense, Embedding, TimeDistributed )
from tensorf
浏览 1提问于2021-03-29得票数 1
我在深度学习和图像分类方面有点新。我想使用VGG16从图像中提取特征，并将它们作为vit模型的输入。以下是我的代码：
from tensorflow.keras.applications.vgg16 import VGG16
vgg_model = VGG16(include_top=False, weights = 'imagenet', input_shape=(IMAGE_SIZE, IMAGE_SIZE, 3))
for layer in vgg_model.layers:
layer.trainable = False
from vit_keras imp
浏览 13提问于2022-03-02得票数 1
回答已采纳
2回答
我希望下面的模型采用8，1的输入形状，批量大小为16。我一直试图使模型的输出形状与输入相同，但我只能在需要(16、8、1)时才能得到它输出的形状(16、8、1)。有可能这样做吗？谢谢你的帮助。
model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(filters = 512,
batch_size = 16,
input_shape = [8, 1],
kern
浏览 15提问于2022-07-09得票数 0
回答已采纳
1回答
我在使用用函数API编写的keras RNN进行掩蔽时遇到了一些问题。其想法是用形状(batch_size，timesteps，100)掩盖张量，零填充，并将其输入到SimpleRNN中。现在我有以下几点：
input = keras.layers.Input(shape=(None, 100))
mask_layer = keras.layers.Masking(mask_value=0.)
mask = mask_layer(input)
rnn = keras.layers.SimpleRNN(20)
x = rnn(input, mask=mask)
但是，这不起作用，因为它引发了
浏览 1提问于2020-01-25得票数 1
回答已采纳
2回答
我正在尝试keras.layers.LSTM，下面的代码可以工作。
#!/usr/bin/python3
import tensorflow as tf
import numpy as np
from tensorflow import keras
data = np.array([1, 2, 3]).reshape((1, 3, 1))
x = keras.layers.Input(shape=(3, 1))
y = keras.layers.LSTM(10)(x)
model = keras.Model(inputs=x, outputs=y)
print (model.predi
浏览 0提问于2019-09-07得票数 0
回答已采纳
1回答
所以我在这里不知所措。我训练了我的模型，一切正常；但是当我尝试使用预测方法时，我得到了以下错误：
ValueError:在检查输入时出错:期望dense_1_input具有形状(64 )，但得到带有形状(1，)的数组
我觉得很奇怪，因为我给的输入是(64，)，我甚至用cli返回了这个形状
print(type(test_x[0]))
print(test_x[0].shape)
回传
<class 'numpy.ndarray'>
(64，)
在我看来，当我使用
print(str(np.argmax(model.predict(test_x
浏览 1提问于2021-08-10得票数 0
回答已采纳
2回答
Keras序列模型输入层
、、、、
在Keras中创建顺序模型时，我知道您在第一层中提供了输入形状。这个输入形状是否构成一个隐式输入层？
例如，下面的模型显式地指定了两个密集层，但实际上这是一个由输入形状所隐含的一个输入层、一个隐藏的密度层和32个神经元组成的三个层组成的模型，然后是一个具有10个可能输出的输出层吗？
model = Sequential([
Dense(32, input_shape=(784,)),
Activation('relu'),
Dense(10),
Activation('softmax'),
])
浏览 0提问于2017-10-04得票数 19
回答已采纳
最近，我收集了几个Keras模型，我正在使用keras.Models.model_from_json函数导入它们的体系结构(注意，还没有进行任何培训)。我的图像数据生成器可以进行定制，以生成不同大小和形状(在相同的流生成器中变化)的批量样本。例如，我可以使用形状(*batchsize*,32,32,3)和总共6个类生成数据。目前，导入的模型具有不同的输入和输出形状，比如(5*100*100*3)和分配给它们层的两个类。我的目标是改变这些层的输入和输出形状，以便在模型性能中比较不同的图像大小。
首先，在输入层，我尝试了：
model.layers[0].input.set_shape((None
浏览 0提问于2018-08-16得票数 0
1回答
我正在成功地从文件中加载一个模型，当我试图预测任何形状(480 )的输入的输出时，我得到的ValueError如下所示：
ValueError:层sequential_1的输入0与层不兼容:输入形状的期望轴-1具有值480，但接收到的输入具有形状(32，1)。
我正在使用的代码
import numpy as np
from keras.models import load_model
model = load_model("my_model.h5")
sample = np.zeros((480,))
model.predict(sample)
你知道为什么会发生这种事
浏览 2提问于2021-04-16得票数 0
回答已采纳
2回答
我正试着分批喂养顺序模型。要重现我的示例，假设我的数据是：
X = np.random.rand(432,24,1)
Y = np.random.rand(432,24,1)
我的目标是分批给模型喂食。每次24点(24x1矢量)，432次。
我建立了我的模型如下：
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, random_state=12)
model = keras.Sequential([
#keras.layers.Flatten(batch_input_shape=(None
浏览 1提问于2021-10-15得票数 1
回答已采纳
我训练了一个输入形状为(224,224，3)的模型，并尝试将其更改为(300,300，3)。例如： resnet50 = tf.keras.models.load_model(path_to_model)
model = tf.keras.models.Model([Input(shape=(300, 300, 3))], [resnet50.output])
# or
resnet50.inputs[0].set_shape([None, 300, 300, 3]) 不起作用。 我看到预留模型允许不同的输入形状，但调整了孔网络体系结构，例如，卷积信道的大小。我想知道我是否需要做一些类似的
浏览 67提问于2021-08-05得票数 0
回答已采纳
1回答
这是我的代码，以便将resnet50模型与此模型(我想在数据集上进行培训)连接起来。我想在代码中冻结resnet50模型的层(参见Trainable=false)。这里我介绍了resnet 50模型
``
import tensorflow.keras
import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resn
浏览 0提问于2019-12-27得票数 1
回答已采纳
我建立了一个模型，其中包括一个预先学习的模型，然后是一些层，并添加到最后。一切运行良好，我可以在我的数据集上训练模型，并将经过训练的模型保存到文件中。但是，当我试图加载保存的模型时，我会得到以下错误。我得到，这指向密集的层形状是未定义的。但是，在训练之前，我将输入的形状指定给模型，并确保得到的致密层将具有预定的形状。不知道如何解决这个问题
这就是设计的模型
import tensorflow as tf
from tensorflow.keras.utils import Sequence
from tensorflow.keras.applications.vgg16 import VGG1
浏览 2提问于2020-11-17得票数 0
1回答
我使用带有Tensorflow后端的Keras对多个序列同时进行一步一步的序列预测；也就是说，我有n个具有m个时间步骤的序列，我使用一个model.predict()命令将它们全部加载到Keras中，模型返回一个'n‘元素数组，每个元素对应于每个n个序列的预测下一步。
所以我的目标是最大限度地提高Keras检测序列间交叉相关性的能力。例如，假设序列a与序列b有一定的时间延迟和缩放因子差异，那么理论上，Keras应该能够使用序列b更好地预测序列a的下一步。我现在如何使用4个序列(每个30个元素)进行测试，并将它们发送给我的模型，因为输入数据具有形状(4，30，1)，输出数据具有形状(4，
浏览 1提问于2017-11-09得票数 0
回答已采纳
1回答
试图创建一个简单的keras模型，其中模型的输出是输入乘以密集的层元素。
inputs = tf.keras.Input(shape=256)
weightLayer = tf.keras.layers.Dense(256)
multipled = tf.keras.layers.Dot(axes=1)([inputs,weightLayer])
model = tf.keras.Model(inputs, multipled)
然而，这给了我"Nonetype对象是不可订阅的“错误。我假设这是因为Dot层的输入形状面临问题吗？我该怎么解决这个问题？
浏览 3提问于2022-03-30得票数 1
回答已采纳
2回答
基本神经网络结构的理解
、、、
现在，如果我使用Keras，并且input_shape大于10，它将如何在其中进行调整。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential()
model.add(Dense(10, activation = 'relu', input_shape = (64,)))
model.add(Dense(3, activation = 'sigmoid'))
model.summary(
浏览 1提问于2020-06-10得票数 0
我试着用tensorflow建立顺序模型。
import tensorflow as tf
import keras
from tensorflow.keras import layers
from keras import optimizers
import numpy as np
model = keras.Sequential (name="model")
model.add(keras.Input(shape=(786,)))
model.add(layers.Dense(2048, activation="relu", name="laye
浏览 6提问于2021-08-20得票数 0
回答已采纳
1回答
我有一个继承自tf.keras.Model的类
import tensorflow as tf
from tensorflow.keras.layers import Dense
class Actor(tf.keras.Model):
def __init__(self):
super().__init__()
self.linear1 = Dense(128, activation = 'relu')
self.linear2 = Dense(256, activation = 'relu')
浏览 6提问于2022-09-04得票数 1
回答已采纳
1回答
在Keras中，如果我想在我的LSTM模型上预测多个实例，这些实例基于来自训练数据的独立数据和新数据，那么输入数组是否需要包括训练中使用的时间步长？如果是这样的话，我能期望model.predict的输入数组的形状与训练数据相同吗？(即要预测的样本数量，它们的时间步长，它们的特征)？ 谢谢您:)
浏览 44提问于2021-04-12得票数 3
1回答
具有k个预测因子X1、X2、.、Xk和响应Y的多元线性回归模型可以表示为y=β0 +β1X1 +β2X2 +··βkXk +“。
我按照这里的教程使用tf.keras进行基本回归。。是否可以输出β变量，以便检查它们如何对响应作出贡献？
顺便说一下，本教程构建的模型如下所示：
def build_model():
model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),
layers.Dense(64, act
浏览 3提问于2020-06-02得票数 0
回答已采纳
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
腾讯云开发者
