我在Keras中构建了以下神经网络：

inp = layers.Input((3,))#中间层已省略out_prop = layers.Dense(units=3, activation='softmax')(inp)out_value = layers.Dense(units=1, activation = 'linear')(inp)

然后我准备了一个伪输入来测试我的网络：

inpu = np.array([[1,2,3],[4,5,6],[7,8,9]])

当我尝试预测时，发生了以下情况：

In [45]:nn.network.predict(inpu)Out[45]: [array([[0.257513  , 0.41672954, 0.32575747],    [0.20175152, 0.4763418 , 0.32190666],    [0.15986516, 0.53449154, 0.30564335]], dtype=float32),array([[-0.24281949],    [-0.10461146],    [ 0.11201331]], dtype=float32)]

如上所示，我希望有两个输出：一个应该是大小为3的数组，另一个应该是普通数值。但实际上，我得到的是一个3×3的矩阵和一个包含3个元素的数组。我做错了什么？

回答：

你向网络传递了三个输入样本：

>>> inpu.shape(3,3)  # 三组大小为3的样本

你有两个输出层：其中一个输出每个样本的大小为3的向量，另一个输出每个样本的大小为1的向量（即标量）。因此，输出形状将是(3, 3)和(3, 1)。

更新： 如果你希望你的网络接受形状为(3,3)的输入样本，并输出大小为3和1的向量，并且你只想在网络中使用Dense层，那么你必须在模型中的某个地方使用Flatten层。一个可能的选项是在输入层之后立即使用它：

inp = layers.Input((3,3))  # 别忘了设置正确的输入形状x = Flatten()(inp)# 将x传递给其他Dense层

或者，你可以将数据展平为形状(num_samples, 9)，然后在不使用Flatten层的情况下将其传递给你的网络。

更新2： 正如@***在评论中正确指出的，如果每个输入样本的形状为(3,3)，请确保输入数组的形状为(num_samples, 3, 3)。