我正在建立一个图像分类器模型，该模型使用CNN对手写数字MNIST 28x28灰度图像进行分类这是我的图层定义
model = keras.Sequential()
model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)))
model.add(keras.layers.MaxPool2D((2,2)))
model.add(keras.layers.Conv2D(64,(3,3),activation='relu'))
model.add(keras.layers.MaxPool2D((2,2)))
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(200,activation='relu'))
model.add(keras.layers.Dense(10,activation='softmax'))
但是当我拟合模型时出现此错误
ValueError: Input 0 of layer sequential_6 is incompatible with the layer: : expected min_ndim=4, found ndim=3. Full shape received: [32, 28, 28]
我也想知道为什么我们应该在Conv2D图层的input_shape中提到1.图像的形状是28x28，但我们应该在那里提到1。
应该起作用的最小更改是更改行：
model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)))
为此，删除1：
model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28)))
出现此错误的原因是您的输入图像为28x28，并且您投放到网络中的批量大小为32张图像，因此数组的尺寸为[32，28，28]。不幸的是，我看不到如何将输入反馈到网络。但是您当前的代码期望的是一个尺寸为[32，28，28，1]的数组。如果那是您可以操纵的numpy数组，那么只需将reshape()其设置为这样的维度就可以解决问题。
我上面建议的是反过来做，要求网络期望尺寸为[28,28]的2D数组而不是尺寸为[28,28,1]的3D数组的每个图像
更新：
您提供了以下代码更改来使其起作用：
train_image=train_image.reshape(60000, 28, 28, 1)
train_image=train_image / 255.0
test_image = test_image.reshape(10000, 28, 28, 1)
test_image=test_image/255.0
这是因为您的输入图像位于一个巨大的numpy数组中，并且您直接将其与模型拟合。模型拟合功能将从其数组的第一个维度中选择“张量”，并为每个训练步骤创建一批。批处理大小为32，因此它将隐式创建一个形状数组（32、28、28、1）并将其向下传递到各层。仅从原始数组复制第二到第四维。
该reshape()命令是改变阵列的维数。重整前的原始数组为（60000，28，28），如果将其作为单个数字序列进行布局，则将有6000x28x28个浮点数。要做的reshape()是拾取这些数字并将它们填充到（60000，28，28，1）数组中，该数组期望60000x28x28x1个数字，因此可以准确地填充它们。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句