以下是我模型的架构。我的数据是一个时间序列，我只需要预测最后一个值，因此设置了return_sequences=False。

但这正是问题所在。我能够使用sequences=True运行神经网络，但这并不是我需要的。

我需要一个输入尺寸 (32,50,88)=(batch_size,timesteps,features)，并得到输出尺寸 (32,88)=(batch_size,labels)。

特征和标签的大小相同，但这并不重要。

此代码的错误输出是：

ValueError: 检查目标时出错：期望dense_1具有2个维度，但得到的数组形状为(32, 50, 88)

这发生在训练阶段（意味着架构是有效的）。

数据以(32,50,88)的块形式从生成器中输入，标签也具有相同的大小。由于我使用keras，我需要通过生成器创建批次。我尝试添加一个单独的(50,88)，但这根本不起作用。

如何实现这种架构，输入为(32,50,88)，但输出仅为(32,88)？

简而言之，我需要时间步长+50的预测…我想…

def note_model():    visible = Input(shape=(50,88), batch_shape=(32,50,88))    hidden1 = Bidirectional(LSTM(200, stateful=False, return_sequences=False,  kernel_regularizer=l1(10**(-4)), dropout=0.5))(visible)    #flat = Flatten()(hidden1)    output = Dense(88, activation='sigmoid')(hidden1)    model = Model(inputs=visible, outputs=output)    print(model.summary())    return model    def train_note_model(model):    checkpoint_path_notes = "1Layer-200units-loss=BCE-Model-{epoch:02d}-{val_acc:.2f}.hdf5"    model.compile(optimizer='SGD', loss='binary_crossentropy', metrics=['accuracy']) #mean_squared_error    monitor = EarlyStopping(monitor='val_loss', min_delta=1e-3, patience=10, verbose=0, mode='min')    reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.3, patience=10, min_lr=0.001)    checkpoint = ModelCheckpoint(checkpoint_path_notes,monitor='val_loss', verbose=1, save_best_only=True, save_weights_only=False, mode='auto', period=1)    model.fit_generator(training_generator(), steps_per_epoch=2,                         callbacks=[monitor, reduce_lr, checkpoint],                        validation_data= validation_generator(), validation_steps= 2,                        verbose=1, epochs=10, shuffle=True)model_try = note_model()train_note_model(model_try)

回答：

你的模型是正确的，问题在于检查目标时，这意味着你的training_generator返回了错误的目标形状。

查看print(next(training_generator()))，确保它返回一个形状为(32, 50, 88), (32, 88)的元组。