我[显然]对此很陌生，并尝试使用 keras 进行多目标回归，使用 this作为我的向导，但我遇到了麻烦。我遇到麻烦的一件事是如何在 model.add(Dense(input_dim=4, output_dim=500)) 行中初始化 Dense 层。我认为 input_dim=4 是由于 XX_train 数组有 4 列，但我不确定。我也不清楚为什么 output_dim=500。 500的值(value)从何而来？是任意的吗？
我查看了keras文档here ，它使用 input_shape 参数，但我不确定应该为 units 和 input_shape 参数使用什么值。显然，仅需要为第一层传入 input_shape ，但对于所有后续层，units 参数应始终具有相同的值(链接中所示示例中的 32 )？该文档将单位定义为:“单位:正整数，输出空间的维数”，但我必须承认我不确定这意味着什么。这是否意味着如果我尝试预测 8 个特征的值(y_train、y_test)，units=8？
This指出我需要仅将 input_shape 传递到第一层，但它没有说明如何确定该形状。
我想要做什么:我有 11 列和数千行数据。我尝试使用其中 3 列作为特征来预测其他 8 列(已标记)。我可能错过了一些明显的东西，但有人能指出我正确的方向吗？据我所知，多目标回归甚至可能不是可行的方法。
感谢您的帮助。我为我明显的笨蛋道歉。如果我需要提供更多信息，请告诉我。
最佳答案
model.add(Dense(input_dim=4, output_dim=500)). I think the input_dim=4 is due to the XX_train array having 4 columns but am not sure
是的，这是正确的。 input_dim 为 4，因为 XX_train 有 4 列。
Where does the value of 500 come from? Is it arbitrary?
这是根据经验发现的。
Does it mean that if I'm trying to predict 8 features' values (y_train, y_test), units=8?
是的，这是正确的。
What I'm trying to do: I have 11 columns and thousands of rows of data. I'm trying to use 3 of those columns as features to predict to other 8 (which are labeled). I'm probably missing something obvious, but can someone point me in the right direction?
代码片段，只是作为起点。
from keras.layers import Dense, Activation
from keras.models import Sequential
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=3))
model.add(Dense(64, activation='relu')) # add more layers as necessary
model.add(Dense(8))
model.summary() # use summary() to verify model architecture
关于python - 如何决定 keras 密集层构造函数使用哪些参数？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56935032/