密集层中的 Keras 错误，预期 4 维得到具有形状的数组 (1024,2)

我正在尝试使用 Keras 和启用 GPU 的 Tensorflow 后端来训练 3 层密集神经网络模型。

我拥有的数据集是 400 万张 20x40 像素的图像，我将这些图像放置在目录中，并带有它们所属类别的名称。

由于数据量很大，我不能将其全部加载到 RAM 中并将其提供给我的模型，因此我认为使用Keras 的 ImageDataGenerator，特别是函数 flow_from_directory() 可以解决问题。这会产生一个 (x, y) 元组，其中 x 是图像的 numpy 数组，y 是图像的标签。

我希望模型知道访问作为模型输入的 numpy 数组，因此我将输入形状设置为： (None,20,40,3) 其中 None 是批量大小，20 和 40 是大小图像和 3 是图像中的通道数。然而，这不起作用，因为当我尝试训练我的模型时，我不断收到错误：ValueError：检查目标时出错：预期密集_3 有 4 个维度，但得到了形状为 (1024, 2) 的数组

我知道原因是它从 flow_from_directoy 获取元组，我想我可以更改输入形状以匹配，但是，我担心这会使我的模型无用，因为我将使用图像进行预测而不是预先分类元组。所以我的问题是，我怎样才能让 flow_from_directory 将图像提供给我的模型，并且只使用元组来验证它的训练？我在这里误解了什么吗？

作为参考，这是我的代码：

from keras.models import Model
from keras.layers import *
from keras.preprocessing.image import ImageDataGenerator
from keras.callbacks import TensorBoard

# Prepare the Image Data Generator.
train_datagen = ImageDataGenerator()
test_datagen = ImageDataGenerator()

train_generator = train_datagen.flow_from_directory(
    '/path/to/train_data/',
    target_size=(20, 40),
    batch_size=1024,
)

test_generator = test_datagen.flow_from_directory(
    '/path/to/test_data/',
    target_size=(20, 40),
    batch_size=1024,
)

# Define input tensor.
input_t = Input(shape=(20,40,3))

# Now create the layers and pass the input tensor to it.
hidden_1 = Dense(units=32, activation='relu')(input_t)
hidden_2 = Dense(units=16)(hidden_1)
prediction = Dense(units=1)(hidden_2)

# Now put it all together and create the model.
model = Model(inputs=input_t, outputs=prediction)
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

# Prepare Tensorboard callback and start training.
tensorboard = TensorBoard(log_dir='./graph', histogram_freq=0, write_graph=True, write_images=True)
print(test_generator)
model.fit_generator(
    train_generator,
    steps_per_epoch=2000,
    epochs=100,
    validation_data=test_generator,
    validation_steps=800,
    callbacks=[tensorboard]
)

# Save trained model.
model.save('trained_model.h5')