我刚开始学习Keras，所以我想尝试创建一个我能想到的最简单的回归问题，作为一种“hello world”的练习。

我想训练一个模型，输出输入值的两倍。我认为一个有两个节点（一个输入一个输出）且没有激活函数的神经网络应该能做到。权重应该简单地收敛到2。

这是我的代码：

layers = keras.layers# Feed forward structuremodel = keras.Sequential()model.add(layers.Dense(1))model.add(layers.Dense(1))model.compile(optimizer=tf.train.AdamOptimizer(0.01),              loss='mae',              metrics=['mae'])train_data = np.asarray([x for x in range(100)])train_labels = np.asarray([x * 2 for x in train_data])model.fit(train_data, train_labels, epochs=50, batch_size=32)

然而，当我输入一个一维的numpy数组时，它会崩溃并显示以下错误：

ValueError: The last dimension of the inputs to `Dense` should be defined. Found `None`.

如果我在train_data上添加多余的括号，它就能编译（但不收敛）：

train_data = np.asarray([[x for x in range(100)]])Epoch 50/501/1 [==============================] - 0s 705us/step - loss: 50.0463 - mean_absolute_error: 50.0463

回答：

如果您给模型输入一个单一的数字，每个输入样本的形状必须是(1,)。因此，所有的100个输入样本的形状应该是(100,1)。因此，您需要使输入数据和标签的形状与预期的一致：

train_data = train_data.reshape(100,1)  # 100 samples of shape 1# you may not need to do the following necessarilytrain_labels = train_labels.reshape(100,1)  # 100 labels of shape 1# alternative way using np.expand_dimstrain_data = np.expand_dims(train_data, axis=-1)

附注：

1. 您的模型有两个Dense层。根据您的描述，我认为您只需要一个具有一个单元的Dense层（即删除其中一个Dense层）。

2. 当您将数据放入另一个列表中，像这样：

   train_data = np.asarray([[x for x in range(100)]])

   它会变成一个形状为(1,100)的二维数组，这意味着一个形状为(100,)的单一样本，这不是您想要的。