Keras：应该有3个维度，但具有阵列形状-密集模型

Question

我想使用TfidfVectorizer基于矢量化单词进行多标签分类（20个不同的输出标签）。我设置了39974行，每行包含2739项（零或一）。

我想使用Keras模型对该数据进行分类，该模型将包含1个隐藏层（〜20个节点，带有activation ='relu'），输出层等于20个可能的输出值（其中，activation ='softmax'，以选择最佳拟合）。

到目前为止，这是我的代码：

model = Sequential()
model.add(Dense(units=20, activation='relu', input_shape=tfidf_matrix.shape))
model.add(Dense(units=20, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(tfidf_matrix, train_data['cuisine_id'], epochs=10)

但是出现了错误：

ValueError：检查输入时出错：预期density_1_input具有3维，但数组的形状为（39774，2739）

如何使用该矩阵指定该NN以适合？

Answer 1

行数（训练样本数）不是网络输入形状的一部分，因为训练过程每批次向网络馈入一个样本（或更精确地说，每批次的batch_size个样本）。

因此，在您的情况下，网络的输入形状是(2739, )正确的代码应如下所示：

model = Sequential()
# the shape of one training example is
input_shape = tfidf_matrix[0].shape
model.add(Dense(units=20, activation='relu', input_shape=input_shape))
model.add(Dense(units=20, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', 
metrics=['accuracy'])
model.fit(tfidf_matrix, train_data['cuisine_id'], epochs=10)