我想进行多标签分类（20个不同的输出标签），基于使用TfidfVectorizer向量化的词。我有一组39974行数据，每行包含2739个项目（零或一）。

我想使用包含一个隐藏层（约20个节点，激活函数为’relu’）和输出层（20个可能的输出值，激活函数为’softmax’以选择最佳匹配）的Keras模型来对这些数据进行分类。

这是我目前的代码：

model = Sequential()model.add(Dense(units=20, activation='relu', input_shape=tfidf_matrix.shape))model.add(Dense(units=20, activation='softmax'))model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])model.fit(tfidf_matrix, train_data['cuisine_id'], epochs=10)

但我得到了以下错误：

ValueError: 检查输入时出错：预期dense_1_input具有3个维度，但得到的数组形状为(39774, 2739)

我怎样才能使这个神经网络适应这个矩阵呢？

回答：

训练样本的数量（行数）不是网络输入形状的一部分，因为训练过程是以每个批次一个样本（或更准确地说，每个批次batch_size个样本）的方式喂给网络的。

所以在你的情况下，网络的输入形状是(2739, )，正确的代码应该像这样：

model = Sequential()# 一个训练样本的形状是input_shape = tfidf_matrix[0].shapemodel.add(Dense(units=20, activation='relu', input_shape=input_shape))model.add(Dense(units=20, activation='softmax'))model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])model.fit(tfidf_matrix, train_data['cuisine_id'], epochs=10)