71

我想从以下层开始训练一个深度网络：

model = Sequential()
model.add(Conv2D(32, 3, 3, input_shape=(32, 32, 3)))

使用

history = model.fit_generator(get_training_data(),
                samples_per_epoch=1, nb_epoch=1,nb_val_samples=5,
                verbose=1,validation_data=get_validation_data()

使用以下生成器：

def get_training_data(self):
     while 1:
        for i in range(1,5):
            image = self.X_train[i]
            label = self.Y_train[i]
            yield (image,label)

（验证生成器看起来很相似）。

在训练期间，我收到错误：

Error when checking model input: expected convolution2d_input_1 to have 4 
dimensions, but got array with shape (32, 32, 3)

怎么可能，第一层

 model.add(Conv2D(32, 3, 3, input_shape=(32, 32, 3)))

?

4

9 回答 9

71

您定义的输入形状是单个样本的形状。模型本身需要一些样本数组作为输入（即使它是长度为 1 的数组）。

你的输出真的应该是 4-d，用第一个维度来枚举样本。即对于单个图像，您应该返回 (1, 32, 32, 3) 的形状。

您可以在“Convolution2D”/“输入形状”下找到更多信息

编辑：根据下面丹尼的评论，如果您想要批量大小为 1，您可以使用以下方法添加缺少的维度：

image = np.expand_dims(image, axis=0)
于 2017-01-11T15:50:53.760 回答
6

就像添加一维一样简单，所以我正在阅读 Siraj Rawal 在 CNN 代码部署教程中教授的教程，它在他的终端上运行，但相同的代码在我的终端上不起作用，所以我做了一些研究关于它并解决了，我不知道这是否适合你们所有人。在这里，我想出了解决方案；

未解决的代码行给您带来问题：

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    print(x_train.shape)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols)
    input_shape = (img_rows, img_cols, 1)

解决的代码：

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    print(x_train.shape)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

如果这对您有用，请在此处分享反馈。

于 2019-07-17T00:18:22.520 回答
4

可能非常微不足道，但我只是通过将输入转换为numpy array来解决它。

对于神经网络架构，

    model = Sequential()
    model.add(Conv2D(32, (5, 5), activation="relu", input_shape=(32, 32, 3)))

当输入是，

    n_train = len(train_y_raw)
    train_X = [train_X_raw[:,:,:,i] for i in range(n_train)]
    train_y = [train_y_raw[i][0] for i in range(n_train)]

我得到了错误，在此处输入图像描述

但是当我把它改成

   n_train = len(train_y_raw)
   train_X = np.asarray([train_X_raw[:,:,:,i] for i in range(n_train)])
   train_y = np.asarray([train_y_raw[i][0] for i in range(n_train)])

它解决了这个问题。

于 2019-11-29T10:16:04.467 回答
3

我在使用 mnist 数据集时遇到了同样的错误，看起来像 X_train 的尺寸问题。我添加了另一个维度，它解决了这个目的。

X_train, X_test, \ y_train, y_test = train_test_split(X_reshape, y_labels, train_size = 0.8, random_state = 42)

X_train = X_train.reshape(-1,28, 28, 1)

X_test = X_test.reshape(-1,28, 28, 1)

于 2020-04-05T16:58:25.747 回答
2

您应该简单地将以下转换应用于您的输入数据数组。

input_data = input_data.reshape((-1, image_side1, image_side2, channels))
于 2019-12-04T07:56:52.467 回答
1

这取决于您实际订购数据的方式，如果它是基于通道的，那么您应该重塑您的数据： x_train=x_train.reshape(x_train.shape[0],channel,width,height)

如果它的频道最后： x_train=s_train.reshape(x_train.shape[0],width,height,channel)

于 2019-11-15T20:52:24.080 回答
0

是的，它接受四个参数的元组，如果您有训练图像数（或其他）=6000，图像大小=28x28 和灰度图像，您将有参数为 (6000,28,28,1)

最后一个参数是 1 表示灰度，3 表示彩色图像。

于 2020-05-20T17:58:29.330 回答
0

遇到同样的问题，没有一个答案对我有用。经过大量调试，我发现一张图像的大小小于32. 这会导致损坏的数组具有错误的尺寸和上述错误。

要解决此问题，请确保所有图像都具有正确的尺寸。

于 2020-06-29T17:05:03.263 回答
-1 
x_train = x_train.reshape(-1,28, 28, 1)   #Reshape for CNN -  should work!!
x_test = x_test.reshape(-1,28, 28, 1)
history_cnn = cnn.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

输出：

训练 60000 个样本，验证 10000 个样本 Epoch 1/5 60000/60000 [==============================] - 157s 3ms/step - loss: 0.0981 - acc: 0.9692 - val_loss: 0.0468 - val_acc: 0.9861 Epoch 2/5 60000/60000 [======================= =======] - 157s 3ms/步 - 损失：0.0352 - acc: 0.9892 - val_loss: 0.0408 - val_acc: 0.9879 Epoch 3/5 60000/60000 [============= =================] - 159s 3ms/步 - 损失：0.0242 - acc：0.9924 - val_loss：0.0291 - val_acc：0.9913 Epoch 4/5 60000/60000 [=== ===========================] - 165s 3ms/step - loss: 0.0181 - acc: 0.9945 - val_loss: 0.0361 - val_acc: 0.9888 Epoch 5/5 60000/60000 [===============================] - 168s 3ms/步 - 损失：0.0142 - acc: 0.9958 - val_loss：0.0354 - val_acc：0.9906

于 2019-05-02T10:26:54.637 回答