如何操纵数组输入数据的神经网络输出形状

Question

我是 Python 机器学习新手，我正在尝试调试在操作用于猜测游戏中字母的简单 DQN 模型的层大小和形状时遇到的错误。

states = 
def build_model():
    model = Sequential()    
    model.add(Dense(30, activation='relu', input_shape=(26,41)))
    model.add(Dense(30, activation='relu'))
    model.add(Dense(26, activation='linear'))
    return model
model = build_model()
model.summary()

上面的代码给出了以下模型

Model: "sequential_1"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense_1 (Dense)            (None, 26, 30)            1260      
                                                                 
 dense_2 (Dense)            (None, 26, 30)            930       
                                                                 
 dense_3 (Dense)            (None, 26, 26)            806       
                                                                 
=================================================================
Total params: 2,996
Trainable params: 2,996
Non-trainable params: 0
_________________________________________________________________

但是运行模型会在终端中出现以下错误：

Model output "Tensor("dense_61/BiasAdd:0", shape=(None, 26, 26), dtype=float32)" has invalid shape. DQN expects a model that has one dimension for each action, in this case 26.

我看到我的最终密集层正在输出 (None, 26, 26)，这导致了错误。使用 keras 的重塑图层，我可以将图层更改为 (None, 780, 1)，这仍然不是我想要的。我的问题是，如果密集层没有结构，为什么密集层的输出形状是多维的而不是一维的，以及如何操作输出形状以返回一维向量？

Answer 1

Dense 实现操作：输出=激活（点（输入，内核）+偏差）

如果输入的维度为 (batch_size, d0, d1)，那么我们创建一个形状为 (d1,units) 的内核，并且该内核沿输入的轴 2 对形状为 (1, 1, d1) 的每个子张量进行操作）（有batch_size * d0这样的子张量）。这种情况下的输出将具有形状（batch_size，d0，单位）。

在上面的代码中，当您传递实际数据时，None 将被替换为批量大小。摘要为您提供了整体情况，而无需实际传递任何数据。

例如，如果您有 100 张 26x24 图像，您的输入形状将为 (100, 26, 24)。您必须预处理数据，以便最终将其输入到构建的模型中。