Keras神经网络训练nb_epoch参数报错及输入维度不匹配如何解决？

第一个报错：fit() got an unexpected keyword argument 'nb_epoch' #

• 原因：Keras 2.0版本后已经废弃了老版本的nb_epoch参数，迭代次数参数统一修改为epochs，你尝试的nb_epochs、epoch均不是合法参数，所以会报错。
• 修复方法：直接将fit方法的参数改为epochs=100即可解决该问题。

第二个报错：ValueError: Input 0 of layer sequential is incompatible with the layer: expected axis -1 of input shape to have value 11 but received input with shape (None, 1) #

• 原因：你的神经网络第一层全连接层指定了input_dim = 11，代表要求输入的每个样本包含11个特征，但你传入的训练集X_train的维度不匹配，每个样本仅包含1个特征。
• 排查修复步骤：
  1. 先打印训练集特征维度确认问题：运行print(X_train.shape)，符合第一层配置的正常输出应为(样本数量, 11)，你当前的输出大概率为(样本数量, 1)或者一维结构(样本数量,)。
  2. 根据业务场景选择对应修复方案：
  • 如果你实际每个样本仅含1个特征：将第一层Dense的参数input_dim = 11修改为input_dim = 1即可。如果你的X_train是一维数组，还需要先调整维度：X_train = X_train.reshape(-1, 1)。
  • 如果你实际每个样本应该有11个特征：说明你在数据预处理、数据集拆分环节出现了错误，丢失了其余10个特征，需要回溯检查数据读取、特征工程、训练集测试集拆分的代码，确保X_train最终维度为(样本数, 11)。

额外注意事项 #

你当前的网络配置是二分类任务的配置（输出层sigmoid激活+二分类交叉熵损失），如果你的需求是预测连续的价格数值（回归任务），需要调整输出层和编译参数：

# 回归任务输出层，无激活函数默认使用linear线性激活
classifier.add(Dense(1, kernel_initializer = 'uniform')) 
# 编译时使用回归任务损失函数
classifier.compile(optimizer = 'adam', loss = 'mse', metrics = ['mae']) 

内容的提问来源于stack exchange，提问作者Ashish Dhage