无法构建具有非浮点 dtype 错误的“密集”层

Question

我目前正在学习深度学习和 Keras。当我执行这段代码时，我收到了奇怪的错误：“TypeError: Unable to build Denselayer with non-floating point dtype ”，我不知道是什么问题。我错过了什么？如何修复这个奇怪的错误？

错误显示在 model.fit(...

def create_nerual_network():
    model = tf.keras.models.Sequential()

    model.add(tf.keras.layers.Flatten())
    model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu)) # Simple Dense Layer
    model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu)) # Simple Dense Layer
    model.add(tf.keras.layers.Dense(2, activation=tf.nn.softmax))   # Output layer

    return model


train_images, train_labels = load_dataset() #this function works fine
model = create_nerual_network()

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.fit(train_images, train_labels, epochs = 15, verbose=2)
train_loss, train_acc = model.evaluate(train_images, train_labels)

Answer 1

有趣的是，您没有在模型编译之前的任何地方指定您的输入形状，但也许较新版本的 Keras 可以从提供的输入中弄清楚这一点。

在这种情况下，我很确定问题出在train_images，看看这个数组的 dtype 是什么，它可能int8是图像的常用格式，因为它们为每个颜色通道使用 8 位整数。

通常的做法是至少在训练前对数据进行标准化，并始终将其转换为浮点数。尝试在调用之前放置它model.fit：

train_images = train_images / 256.

这会将您的图像标准化为范围[0, 1)并将其转换为浮点数组。您可能必须将标签也转换为浮点数。