我有一个在Keras中构建的简单MLP。我输入的形状是：
X_train.shape - (6, 5)
Y_train.shape - 6
model = Sequential()
model.add(Dense(32, input_shape=(X_train.shape[0],), activation='relu'))
model.add(Dense(Y_train.shape[0], activation='softmax'))
# Compile and fit
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, Y_train, epochs=10, batch_size=1, verbose=1, validation_split=0.2)
# Get output vector from softmax
output = model.layers[-1].output
这给了我错误：
ValueError: Error when checking input: expected dense_1_input to have shape (6,) but got array with shape (5,).
我有两个问题：
output = model.layers[-1].output对于给定的输入向量，是否可以返回softmax向量？我从未在Keras中做到这一点。在输入层中使用input_shape =（X_train.shape [1]，），而最后一层的尺寸必须等于要预测的类数
返回softmax向量的方法是model.predict（X）
这是一个完整的例子
n_sample = 5
n_class = 2
X = np.random.uniform(0,1, (n_sample,6))
y = np.random.randint(0,n_class, n_sample)
model = Sequential()
model.add(Dense(32, input_shape=(X.shape[1],), activation='relu'))
model.add(Dense(n_class, activation='softmax'))
# Compile and fit
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, y, epochs=10, batch_size=1, verbose=1)
# Get output vector from softmax
model.predict(X)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句