Keras使用keras.predict预测单个示例吗？

如何解决Keras使用keras.predict预测单个示例吗？

我确信/希望这是一个非常简单的问题，但是我没有找到任何答案。

我在Keras中建立了一个顺序模型，其中包含366个输入神经元和一个输出神经元。似乎训练和评估都不错，但是无论何时我尝试预测一个示例，尽管(366,1)是model.output_shape，我都会得到一个形状为(None,1)的小数组。

我知道here存在一个非常相似的问题，但不幸的是，所有提议的解决方案都无法解决我的问题。

根据我所读的内容，这是因为Keras将每个输入作为一个单独的示例进行预测，但是到目前为止，这对我没有帮助。 我尝试将输入作为大小为(366,1)，(1,366)，(366,)的numpy数组以及包含每个变量的列表进行传递，但是没有任何效果（(1,366)抛出错误，其他所有输出的大小为(366,1)）。

如果有人可以帮助您，将不胜感激。谢谢。

以下是代码：（很抱歉，如果它不是很整齐）

培训：

import example_generator as eg
import numpy as np
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

training_data = np.load("../data/training_data.npy",allow_pickle=True)
testing_data = np.load("../data/testing_data.npy",allow_pickle=True)

model = Sequential([
    Dense(100,activation="relu"),Dense(30,Dense(1,activation="linear")
])

model.compile(
    optimizer = "Adam",loss="mean_squared_error",metrics="mean_absolute_error"
)

model.fit(
    eg.yield_training_example(training_data,366),epochs=1,steps_per_epoch = 14590,batch_size=50
)

model.evaluate(
    eg.yield_training_example(testing_data,steps = 50
)

model.save("../models/model")

用于测试：

import example_generator as eg
import numpy as np
from tensorflow.keras.models import load_model

testing_data = np.load("../../data/testing_data.npy",allow_pickle=True)
model = load_model("../../data/models/feedforward")

testing_example = next(eg.yield_training_example(testing_data,366))
X = testing_example[0]

prediction = model.predict(
    X
)

print(f"Prediction: {prediction}\nAnswer: {testing_example[1]}\n\n")

对于我用来返回示例的生成器：

import numpy as np

# Acts as an iterable of training examples
def yield_training_example(data,num_nn_inputs = 366):
    for eg in data[:,1]:
        inc = 0
        while (inc <= (len(eg) - num_nn_inputs - 1)):
            yield (
                np.array(eg[inc:(inc + num_nn_inputs),:]).astype(np.float32),np.array(eg[(inc + num_nn_inputs),:]).astype(np.float32)
            )
            inc += 1

解决方法

好的，我最终解决了这个问题。在制作模型时，我需要指定输入尺寸，例如：

model = Sequential([
    Dense(100,activation="relu",input_dim=366),Dense(30,activation="relu"),Dense(1,activation="linear")
])

从那里，我只需要确保对网络的所有输入都以形状为(1,366)的数组形式传递。