我有一个包含大约14560个词向量的DataFrame，这些词向量的维度是400。我将每个向量重塑为20*20，并使用1个通道应用CNN，因此维度变为(14560,20,20,1)。当我尝试拟合CNN模型时，它抛出了一个错误。
代码：
from keras.models import Sequentialfrom keras.layers.core import Dense, Dropout, Activation, Flattenfrom keras.layers.convolutional import Convolution2D, MaxPooling2Dfrom keras.layers import BatchNormalizationfrom keras.utils import np_utilsfrom keras import backend as Kmodel_cnn=Sequential()model_cnn.add(Convolution2D(filters = 16, kernel_size = (3, 3), activation='relu',input_shape = (20, 20,1)))model_cnn.compile(loss='categorical_crossentropy', optimizer = 'adadelta', metrics=["accuracy"])model_cnn.fit(x_tr_,y_tr_,validation_data=(x_te_,y_te))错误：
检查目标时出错：期望conv2d_6有4个维度，但得到的数组形状为(14560, 1)。当我将训练数据重塑为(14560,1,20,20)时，仍然会出错，因为模型接收到的输入为=(1,20,20)，而需要的是(20,20,1)。
如何修复它？
回答：
问题
问题不仅仅是x_tr的形状，正如另一个答案中正确指出的那样，它应该是(-1,20,20,1)。还有网络架构本身。如果你执行model_cnn.summary()，你会看到以下内容：
Layer (type) Output Shape Param # =================================================================conv2d_1 (Conv2D) (None, 18, 18, 16) 160 =================================================================Total params: 160Trainable params: 160Non-trainable params: 0模型的输出是四维的：(batch_size, 18, 18, 16)。当标签是(batch_size, 1)时，它无法计算损失。
解决方案
正确的架构必须将卷积输出张量(batch_size, 18, 18, 16)重塑为(batch_size, 1)。有许多方法可以做到这一点，这里是一种方法：
model_cnn = Sequential()model_cnn.add(Convolution2D(filters=16, kernel_size=(3, 3), activation='relu', input_shape=(20, 20, 1)))model_cnn.add(MaxPool2D(pool_size=18))model_cnn.add(Flatten())model_cnn.add(Dense(units=1))model_cnn.compile(loss='sparse_categorical_crossentropy', optimizer='adadelta', metrics=["accuracy"])摘要：
Layer (type) Output Shape Param # =================================================================conv2d_1 (Conv2D) (None, 18, 18, 16) 160 _________________________________________________________________max_pooling2d_1 (MaxPooling2 (None, 1, 1, 16) 0 _________________________________________________________________flatten_1 (Flatten) (None, 16) 0 _________________________________________________________________dense_1 (Dense) (None, 1) 17 =================================================================Total params: 177Trainable params: 177Non-trainable params: 0请注意，我添加了最大池化层以将18x18的特征图减少到1x1，然后使用扁平化层将张量压缩到(None, 16)，最后使用密集层输出单个值。还要注意损失函数：它是sparse_categorical_crossentropy。如果你想使用categorical_crossentropy，你必须进行独热编码，并且输出不是单个数字，而是类别的概率分布：(None, classes)。
顺便说一下，也要检查你的验证数组是否具有有效的形状。
