我刚开始学习机器学习，并且在使用Tensorflow。我按照Tensorflow网站上的教程训练了一个用于回归的神经网络。我有3个输入列和2个标记为“标签”的输出列。网络在使用测试数据时似乎能很好地预测数据，但是当我尝试预测测试和训练集之外的数据时，通过导入仅有3个输入列的文件，它会报错，显示“期望dense_input具有形状(5,)，但得到的数组形状为(3,)”。我明白这是因为模型是在5列数据集上训练的，但我希望从训练好的模型中预测未知值，并且我不知道输出。当我只知道输入（3列）时，如何预测结果？如果我必须知道输出（我确定我不用知道），那么这种回归分析的意义何在？
我的数据看起来像这样：
我希望神经网络能够以这种方式运行：
我想预测那些我没有数据的输出（比如，RE = 25, BR=0.5, PR=0.25），而且我不能使用线性回归，因为输入和输出之间的关系不是线性的。我尝试过在训练后将输入预测为5列文件，最后两列是垃圾数据（零），但模型试图预测这些零。据我所知，一旦模型被训练，权重和偏置应该是固定的，无论最后两列（输出）中是什么，模型都应该给我预期的输出。我做错了什么？任何帮助都将不胜感激。我在这里上传了代码中使用的文件 https://drive.google.com/open?id=1HoMID_razNHcXEGIgvnL8WG3H5WRTl3B 。此外，有时我的MSE（均方误差）会收敛，有时不会。我怀疑这可能与随机向模型提供数据有关，尽管我不确定。
import tensorflow as tffrom tensorflow import kerasimport numpy as np import matplotlib.pyplot as plt import pandas as pd from sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegressionimport picklecolumn_names = ['Reynolds Number', 'Blockage Ratio', 'Prandtl Number', 'Nusselt Number', 'Drag Coefficient'] dataset = pd.read_csv('WW.csv', names=column_names, skipinitialspace=True) train_dataset = dataset.sample(frac=0.9,random_state=0)test_dataset = dataset.drop(train_dataset.index) train_labels = train_dataset.iloc[:, 3:].valuestest_labels = test_dataset.iloc[:, 3:].values print(train_dataset)print(test_dataset) def build_model(): model = keras.Sequential([ keras.layers.Dense(3, activation='relu', input_shape=[len(train_dataset.keys())]), keras.layers.Dense(4, activation='relu'), keras.layers.Dense(2) ]) optimizer = tf.keras.optimizers.RMSprop(0.001) model.compile(loss='mse', optimizer=optimizer, metrics=['mae', 'mse']) return modelmodel = build_model()model.summary()class PrintDot(keras.callbacks.Callback): def on_epoch_end(self, epoch, logs): if epoch % 100 == 0: print('') print('.', end='')EPOCHS = 5000early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=500)history = model.fit(train_dataset, train_labels, epochs=EPOCHS, validation_split = 0.2, verbose=0, callbacks=[early_stop, PrintDot()])model.save("model.h5")hist = pd.DataFrame(history.history)hist['epoch'] = history.epochprint('\n', hist.tail())def plot_history(history): hist = pd.DataFrame(history.history) hist['epoch'] = history.epoch plt.figure() plt.xlabel('Epoch') plt.ylabel('Mean Abs Error [MPG]') plt.plot(hist['epoch'], hist['mae'], label='Train Error') plt.plot(hist['epoch'], hist['val_mae'], label = 'Val Error') plt.ylim([0,5]) plt.legend() plt.figure() plt.xlabel('Epoch') plt.ylabel('Mean Square Error [$MPG^2$]') plt.plot(hist['epoch'], hist['mse'], label='Train Error') plt.plot(hist['epoch'], hist['val_mse'], label = 'Val Error') plt.ylim([0,20]) plt.legend() plt.show()plot_history(history)test_predictions = model.predict(test_dataset)test_dataset['Predicted Nu'], test_dataset['Predicted CD'] = test_predictions[:,0], test_predictions[:,1]print(test_dataset)np.savetxt('test_dataset.txt', test_dataset, delimiter=',')predict = model.predict(train_dataset)train_dataset['Predicted Nu'], train_dataset['Predicted CD'] = predict[:,0], predict[:,1]print(train_dataset)np.savetxt('train_dataset.txt', train_dataset, delimiter=',')class_names = ['Reynolds Number', 'Blockage Ratio', 'Prandtl Number', 'junk Nusselt Number', 'junk Drag Coefficient'] all_inputs = pd.read_csv('Predict_Input.csv', names=class_names, skipinitialspace=True)all_outputs = model.predict(all_inputs)all_inputs['Predicted Nu'], all_inputs['Predicted CD'] = all_outputs[:,0], all_outputs[:,1]print(all_inputs)回答：
所以，重新说明一下你的需求，你有一个总共5个特征的数据集。你需要使用前三个特征作为输入，最后两个作为目标。以下是需要更改的内容以实现这一点。
import tensorflow as tffrom tensorflow import kerasimport numpy as np import matplotlib.pyplot as plt import pandas as pd from sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegressionimport picklecolumn_names = ['Reynolds Number', 'Blockage Ratio', 'Prandtl Number', 'Nusselt Number', 'Drag Coefficient'] dataset = pd.read_csv('WW.csv', names=column_names, skipinitialspace=True) train_dataset = dataset.sample(frac=0.9,random_state=0)test_dataset = dataset.drop(train_dataset.index) train_labels = train_dataset.iloc[:, 3:].valuestest_labels = test_dataset.iloc[:, 3:].values print(train_dataset)print(test_dataset) 构建模型
你的模型应该只有三个特征。因此，input_shape应该是3（不是5）。Keras会自动添加批处理形状。
# 我们将输入大小设置为(None, 3)def build_model(): model = keras.Sequential([ keras.layers.Dense(3, activation='relu', input_shape=(3,)), keras.layers.Dense(4, activation='relu'), keras.layers.Dense(2) ]) optimizer = tf.keras.optimizers.RMSprop(0.001) model.compile(loss='mse', optimizer=optimizer, metrics=['mae', 'mse']) return modelmodel = build_model()model.summary()class PrintDot(keras.callbacks.Callback): def on_epoch_end(self, epoch, logs): if epoch % 100 == 0: print('') print('.', end='')训练模型
在训练模型时，你只需将前三个特征作为输入，最后两个特征作为标签/目标。现在你应该看到这如何帮助解决你的问题。现在你可以安全地仅使用已知的三个特征来预测两个未知变量。
因此，在训练时作为输入我们只提供前三列，目标将是最后两列。
EPOCHS = 5000early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=500)# 注意输入只取前三列history = model.fit(train_dataset.iloc[:,:3], train_labels, epochs=EPOCHS, validation_split = 0.2, verbose=0, callbacks=[early_stop, PrintDot()])model.save("model.h5")测试时间
在测试时同样适用这个规则，你就不用在测试时使用未知的两个特征来预测（即我们只使用前三个特征）。
test_predictions = model.predict(test_dataset.iloc[:,:3])print(test_dataset)test_dataset['Predicted Nu'], test_dataset['Predicted CD'] = test_predictions[:,0], test_predictions[:,1]print("\nPredicted\n")print(test_dataset)