在顺序Keras模型中将一维数据加载到密集层中

Question

我有训练有素的模型的结果，以numpy输出文件中的Flatten图层结尾。 我尝试加载它们并将它们用作密集图层的输入。

train_data = np.load(open('bottleneck_flat_features_train.npy')) 
train_labels = np.array([0] * (nb_train_samples/2) + [1] * (nb_train_samples/2)) 
# 
validation_data = np.load(open('bottleneck_flat_features_validation.npy')) 
validation_labels = np.array([0] * (nb_validation_samples/2) + [1] * (nb_validation_samples/2)) 
# 
top_m = Sequential() 
top_m.add(Dense(2,input_shape=train_data.shape[1:], activation='sigmoid', name='top_dense1')) 
top_m.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) 
# 
top_m.fit(train_data, train_labels, 
    nb_epoch=nb_epoch, batch_size=my_batch_size, 
    validation_data=(validation_data, validation_labels)) 

但是我得到以下错误消息：

ValueError: Error when checking model target: expected top_dense1 to have 
shape (None, 2) but got array with shape (13, 1) 

我的输入尺寸（16,1536） - 16倍的图像这种有限试运转，1536层的功能。

>>> train_data.shape 
(16, 1536) 

致密层应该期望一维1536长阵列。

>>> train_data.shape[1] 
1536 

我该怎么办？ 非常感谢！

Answer 1

我发现我的问题 - 我没有正确定义标签。我已经将模型编译转换为稀疏分类交叉模式。

我当前的代码是

def train_top_model(): 
    train_data = np.load(open('bottleneck_flat_features_train.npy')) 
    train_labels = np.array([0] * (nb_train_samples/2) + [1] * (nb_train_samples/2)) 
# 
    validation_data = np.load(open('bottleneck_flat_features_validation.npy')) 
    validation_labels = np.array([0] * (nb_validation_samples/2) + [1] * (nb_validation_samples/2)) 
# 
    top_m = Sequential() 
    top_m.add(Dense(2,input_shape=train_data.shape[1:], activation='softmax', name='top_dense1')) 
    top_m.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy', metrics=['accuracy']) 
# 
    top_m.fit(train_data, train_labels, 
    nb_epoch=nb_epoch, batch_size=my_batch_size, 
    validation_data=(validation_data, validation_labels)) 

现在，它的工作原理和收敛。

Answer 2

难道你不想编译和适应top_m而不是模型？