使用Siamese Network处理跨域2000维特征时模型拟合触发ValueError
Siamese网络fit方法ValueError报错排查方案
该模型是双分支双输入结构,预期接收2个独立的输入数组,你当前传入fit和validation_data的参数结构不符合Keras多输入模型的传参规范,即便元素本身是数组类型,也会触发输入数量不匹配的异常。
- 排查训练输入的引用错误
你在get_classifier_model函数内部定义的left_input/right_input是Keras的Input层占位符(属于模型结构定义的一部分),不是实际用来训练的numpy格式特征数组。如果直接把函数内部的这两个层对象拼入fit的第一个参数,拼接后的内容会被模型识别为1个张量,直接触发“预期2个输入数组、实际拿到1个”的报错。
正确写法:先调用get_classifier_model(input_shape)拿到实例化完成的模型对象,再把提前加载好的、形状为(训练样本数, 2000维)的左分支训练特征数组、右分支训练特征数组,组成列表作为fit的第一个入参,第二个入参传入对应形状为(训练样本数, 1)的特征对标签(相似对标1、不相似对标0即可)。 - 修正验证集参数格式
你代码中写的validation_data=[test1, test2]不符合Keras参数要求。多输入模型的验证集参数必须是固定结构的元组,不能仅传入两个测试特征数组。
正确结构:validation_data = ((测试集左特征数组, 测试集右特征数组), 测试集标签数组)。如果仅传入两个测试特征数组,模型会因为缺失对应标签触发解析异常,甚至会把整个列表识别为1个输入数组,完全匹配你当前看到的报错表现。 - 额外校验点
检查左右分支训练数组的形状对齐情况:如果之前把两个分支的特征存在同一个二维数组中,必须先拆成两个独立数组,两个数组的样本总数要和标签数组的样本数完全一致,不能出现维度错位。
内容的提问来源于stack exchange,提问作者Minnie
相关产品推荐
相关产品推荐

