Keras 形状在预测和拟合之间不匹配

Question

我有一个简单的模型，可以展平序列嵌入，然后对它们求和。当我运行预测时，我没有收到任何错误和我期望的输出形状，但是当我尝试训练时，我得到一个形状不匹配错误

这是模型：

import numpy as np
from keras import backend as K
from keras.models import Model
from keras.layers.embeddings import Embedding
from keras.layers import Reshape, Lambda
inputs = Input(shape=(20,), name="inputs")
embedding = Embedding(69, 100, name="embeddings")(inputs)
out = Reshape((2000,), name='reshape_embeddings')(embedding)
out = Lambda(lambda x: K.sum(x, axis=1), name='sum_embeddings')(out)
model = Model(inputs, out)
model.compile('adam', 'mean_squared_error')
print(model.summary())
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
inputs (InputLayer)          (None, 20)                0         
_________________________________________________________________
embeddings (Embedding)       (None, 20, 100)           6900      
_________________________________________________________________
reshape_embeddings (Reshape) (None, 2000)              0         
_________________________________________________________________
sum_embeddings (Lambda)      (None,)                   0         
=================================================================
Total params: 6,900
Trainable params: 6,900
Non-trainable params: 0
_________________________________________________________________

在这里，我构建一个随机的 x，y 样本：

x = np.random.randint(69, size=(500,20))
y = np.random.uniform(0, 1, size=(500,))

当我预测 x 时，我得到正确的输出形状

preds = model.predict(x)
print(preds.shape == y.shape)

当我拟合模型时，出现以下错误：

model.fit(x, y, batch_size=50, verbose=1)

值错误：检查目标时出错：预期sum_embeddings 有 1 个维度，但得到形状为 (500， 1( 的数组

感觉我错过了一些非常简单的东西。任何建议将不胜感激

Answer 1

是的，这是您的代码的一些简单问题。模型的输出至少需要有秩 2(在本例中为(None,1)((我的 2 美分是优化器在不是时抱怨(。这是使用keepdims=True完成的。然后，您还必须向y添加一个维度。

inputs = Input(shape=(20,), name="inputs")
embedding = Embedding(69, 100, name="embeddings")(inputs)
out = Reshape((2000,), name='reshape_embeddings')(embedding)
out = Lambda(lambda x: K.sum(x, axis=1, keepdims=True), name='sum_embeddings')(out)
model = Model(inputs, out)
model.compile('adam', 'mean_squared_error')
print(model.summary())
x = np.random.randint(69, size=(500,20))
y = np.random.uniform(0, 1, size=(500,1))
preds = model.predict(x)
print(preds.shape == y.shape)
model.fit(x, y, batch_size=50, verbose=1)