我正在嘗試第一次實(shí)施 Keras（對(duì)于這個(gè)愚蠢的問題很抱歉）作為一個(gè)更廣泛的項(xiàng)目的一部分，以制作一個(gè)學(xué)習(xí)連接 4 的 AI。作為其中的一部分，我通過一個(gè) NN 一個(gè) 6*7 的網(wǎng)格它輸出一個(gè)包含 7 個(gè)值的數(shù)組，給出游戲中每一列的選擇概率。以下是 Model.summary() 方法的輸出以獲得更多詳細(xì)信息：______________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================flatten (Flatten)            (None, 42)                0         _________________________________________________________________dense (Dense)                (None, 20)                860       _________________________________________________________________dense_1 (Dense)              (None, 20)                420       _________________________________________________________________dense_2 (Dense)              (None, 7)                 147       =================================================================Total params: 1,427Trainable params: 1,427Non-trainable params: 0__________________________________________________________________________________________________________________________________當(dāng)我傳遞形狀為 (1, 6, 7) 的 numpy 數(shù)組時(shí)，該模型將給出（目前是隨機(jī)的）預(yù)測(cè)，但是，當(dāng)我嘗試使用形狀為 (221, 6, 7) 的數(shù)組訓(xùn)練模型時(shí)，數(shù)據(jù)和標(biāo)簽的形狀數(shù)組 (221, 7) 我收到此錯(cuò)誤：ValueError：檢查目標(biāo)時(shí)出錯(cuò)：預(yù)期dense_2具有形狀(1,)但得到形狀為(7,)的數(shù)組這是我用來訓(xùn)練模型的代碼（輸出 (221, 6, 7) 和 (221, 7)）：board_tensor = np.array(full_board_list)print(board_tensor.shape)label_tensor = np.array(full_label_list)print(label_tensor.shape)self.model.fit(board_tensor, label_tensor)（該模型是 AI 對(duì)象的一部分，因此可以與其他類型的 AI 對(duì)象進(jìn)行比較）這是成功預(yù)測(cè)一批大小為 1 的代碼，由表示板的二維列表生成（它輸出 (1 , 6, 7) 和 (1, 7))：input_tensor = np.array(board.board)input_tensor = np.expand_dims(input_tensor, 0)print(input_tensor.shape)probability_distribution = self.model.predict(input_tensor)print(probability_distribution.shape)我意識(shí)到該錯(cuò)誤可能是由于我對(duì) Keras 中期望提供的方法缺乏了解；所以作為一個(gè)小小的旁注，有沒有人有任何好的，徹底的學(xué)習(xí)資源，真正讓你了解每種方法在做什么（即，不僅僅是告訴你輸入哪些代碼來制作圖像識(shí)別器），這將是可以理解的對(duì)于像我這樣的 Keras 和 Tensorflow 新手？