我在尝试对文本输入运行神经网络。这是一个二分类问题。以下是我目前的工作代码：

df = pd.read_csv(pathname, encoding = "ISO-8859-1")df = df[['content_cleaned', 'meaningful']] #Content cleaned: 文本, meaningful: 标签X = df['content_cleaned']y = df['meaningful']X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=21) tokenizer = Tokenizer(num_words=100)tokenizer.fit_on_texts(X_train)X_train_encoded = tokenizer.texts_to_sequences(X_train)X_test_encoded = tokenizer.texts_to_sequences(X_test)max_len = 100X_train = pad_sequences(X_train_encoded, maxlen=max_len)X_test = pad_sequences(X_test_encoded, maxlen=max_len)batch_size = 100max_words = 100input_dim = X_train.shape[1]  # 特征数量model = Sequential()model.add(layers.Dense(10, activation='relu', input_shape=X_train.shape[1:]))model.add(layers.Dense(1, activation='sigmoid'))model.compile(loss='categorical_crossentropy',          optimizer='adam',          metrics=['accuracy'])history = model.fit(X_train, X_test,                batch_size=batch_size,                epochs=5,                verbose=1,                validation_split=0.1)

我的问题分两部分。第一部分是关于创建层时input_shape的使用。我对声明这个参数的语法感到困惑。当我运行以下命令时：

print(X_train.shape)

我得到了这样的形状：(3609, 100)。

据我理解，这告诉我有3609个实例。从查看其他例子来看，我天真地假设应该使用100，因为有100种类型（可能理解错误），这与我初始化的max_words相对应。我认为我在初始化input_shape时可能语法错误了。

第二个问题是运行所有这些代码时出现的错误消息（很可能是由于错误的input_shape）。错误消息突出显示了以下这行代码：

 validation_split=0.1)

错误消息是：

ValueError: Error when checking target: expected dense_2 to have shape (None, 1) but got array with shape (1547, 1

我的方法有问题吗？我对深度学习非常新手。

回答：

input_shape参数指定了一个训练样本的形状。因此，你需要将其设置为X_train.shape[1:]（即忽略样本或批次轴）：

model.add(layers.Dense(10, activation='relu', input_shape=X_train.shape[1:]))

此外，将X_train和y_train传递给fit_generator（而不是X_train_encoded和X_test_encoded）。