输入不对应
报错内容:
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).
定义模型的输入和训练时候传入的input不对应，比如：
input1 = Input(shape=(3,))
input2 = Input(shape=(3,))
model = Model(inputs=[input1, input2], output=...)
model.compile(...)
model.fit([X], y). # 定义了两个输入，训练时只传了一个
如果是一个稀疏的矩阵可以用tf.SparseTensor表示，定义稀疏矩阵三个参数：
- indices 用来设置有值的位置，也就是下标
- values 用来指定有值位置的值
- dense_shape 指定 矩阵的形状
例如定义一个2行32列的矩阵，只有第1行的第二个位置，和2行的第一个位置有值，值分别为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)) # 转换为稠密矩阵
输出：
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)
同样还有方法tf.sparse.from_dense把稠密矩阵转换为稀疏矩阵.
loss值巨大
表现为loss值非常大，或者loss不大，但是val_loss非常大。原因是数值特征没有统一量纲就给了全链接层，
而神经元对数值大小敏感导致评估结果无法很大。
解决办法：数值特征要统一量纲。
查看更多关于【tensorflow教程】的文章
