Tensorflow報錯總結

輸入不對應

報錯內容:

WARNING:tensorflow:Model was constructed with shape (None, 79) for input Tensor("genres:0", shape=(None, 79), dtype=float32), but it was called on an input with incompatible shape (128, 5).

定義模型的輸入和訓練時候傳入的input不對應，比如：

input1 = Input(shape=(3,))
input2 = Input(shape=(3,))
model = Model(inputs=[input1, input2], output=...)
model.compile(...)
model.fit([X], y). # 定義了兩個輸入，訓練時只傳了一個

如果是一個稀疏的矩陣可以用tf.SparseTensor表示，定義稀疏矩陣三個參數：

• indices 用來設置有值的位置，也就是下標
• values 用來指定有值位置的值
• dense_shape 指定 矩陣的形狀

例如定義一個2行32列的矩陣，只有第1行的第二個位置，和2行的第一個位置有值，值分別為1, 2：

sparse_tensor = tf.SparseTensor(indices=[[0, 1], [1, 0]], values=[1, 2], dense_shape=[2, 32])
print(tf.sparse.to_dense(sparse_tensor)) # 轉換為稠密矩陣

輸出：

tf.Tensor(
[[0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]], shape=(2, 32), dtype=int32)

同樣還有方法tf.sparse.from_dense把稠密矩陣轉換為稀疏矩陣.

loss值巨大
表現為loss值非常大，或者loss不大，但是val_loss非常大。原因是數值特征沒有統一量綱就給了全鏈接層，
而神經元對數值大小敏感導致評估結果無法很大。
解決辦法：數值特征要統一量綱。