我在学习TensorFlow和LSTM，想知道为什么我的预测输出有多个值，而我训练它的目的是返回一个值。我的目标是在用数组进行情感分析训练后，得到一个介于0和1之间的单一值。

训练输入数据看起来像这样：

[[59, 21, ... 118, 194], ... [12, 110, ... 231, 127]]

所有输入数组长度相同，并用0填充。训练目标数据看起来像这样：

[1.0, 0.5, 0.0, 1.0, 0.0 ...]

模型：

model = Sequential()model.add(Embedding(input_length, 64, mask_zero=True))model.add(LSTM(100))model.add(Dense(1, activation=tf.nn.sigmoid))

为什么预测似乎是逐个值进行评估，而不是作为整体数组进行评估？

model.predict([192])# Returns [[0.5491102]]model.predict([192, 25])# Returns [[0.5491102, 0.4923803]]model.predict([192, 25, 651])# Returns [[0.5491102, 0.4923803, 0.53853387]]

我不希望对输出取平均值，因为输入数组中值之间的关系对于情感分析很重要。如果我训练的是预测一个单一值，我不明白为什么输出不是一个单一值。我对TensorFlow、Keras和分层神经网络是新手，所以我肯定是忽略了什么明显的问题。

回答：

当你编写：

model.predict([192, 25, 651])

这就相当于你给模型提供了三个输入样本，因此你会得到三个输出，每个输入样本对应一个输出。相反，如果[192, 25, 651]实际上是你指的一个输入样本，那么你需要用两个列表包装它：

model.predict([[[192, 25, 651]]])

原因是：最外层的列表对应模型所有输入层的全部输入数据，这里是一个输入层。第二层列表对应第一个（也是唯一一个）输入层的数据，第三层列表对应一个输入样本。这适用于列表输入，因为多输入（和多输出）的Keras模型应该接受一个输入数组列表作为输入。一个更好的方法是使用numpy数组：

model.predict(np.array([[192, 25, 651]]))

np.array([[192, 25, 651]])的形状为(1,3)，这意味着一个长度为3的样本。