我在 Keras 中构建了一个简单的 MLP。我的输入形状是：
X_train.shape - (6, 5)Y_train.shape - 6 创建模型
model = Sequential()model.add(Dense(32, input_shape=(X_train.shape[0],), activation='relu'))model.add(Dense(Y_train.shape[0], activation='softmax'))# 编译和拟合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)# 从 softmax 层获取输出向量output = model.layers[-1].output这会给我一个错误：
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：
- 为什么我会得到上述错误，我该如何解决它？
output = model.layers[-1].output是返回给定输入向量的 softmax 向量的方法吗？我在 Keras 中从未这样做过。
回答：
在输入层使用 input_shape=(X_train.shape[1],)，而你的最后一层必须是与要预测的类别数量相等的维度
返回 softmax 向量的方法是 model.predict(X)
这里是一个完整的示例
n_sample = 5n_class = 2X = 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'))# 编译和拟合model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])model.fit(X, y, epochs=10, batch_size=1, verbose=1)# 从 softmax 层获取输出向量model.predict(X)