输入0与图层flatten_15不兼容：预期min_ndim = 3，发现ndim = 2

Question

我正在尝试在我的声音数据集上训练ANN模型，该数据集有320行和50列，同时运行此代码：

Model= Sequential([ Flatten(), 
     Dense(16, input_shape=(1,50), activation= 'relu' ) , 

     Dense(32, activation= 'relu' ),
     Dense(2, activation='softmax' ) , 
     ])
Model.compile(Adam(lr=0.0001), loss='sparse_categorical_crossentropy', metrics=['accuracy'])
Model.fit(S_T_S, T_L, validation_split=0.1, batch_size=20, epochs=20, shuffle='true', verbose=2)

我收到的错误是：

输入0与图层flatten_15不兼容：预期min_ndim = 3，发现ndim = 2，

Answer 1

如果数据集具有（N，C）形状，其中N是数据点的数量，C是单个数据点的通道数，则第一层的input_shape参数应仅指定通道。

model= Sequential([
     Dense(16, input_shape=(50,), activation= 'relu' ) , 

     Dense(32, activation= 'relu' ),
     Dense(2, activation='softmax' ) , 
     ])
model.compile(Adam(lr=0.0001), loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(S_T_S, T_L, validation_split=0.1, batch_size=20, epochs=20, shuffle='true', verbose=2)

如果输出类的数量是2，那么具有一个节点的输出层可以比使用具有两个节点的输出层更好地工作。在这种情况下，输出层的激活应该改为sigmoid，损失应该改为二进制交叉熵。

model= Sequential([
     Dense(16, input_shape=(50,), activation= 'relu' ) , 

     Dense(32, activation= 'relu' ),
     Dense(1, activation='sigmoid' ) , 
     ])
model.compile(Adam(lr=0.0001), loss='sparse_binary_crossentropy', metrics=['accuracy'])