检查模型输入时出错：预期卷积2d_input_1有4个维度，但得到的形状为数组（32,32,3）

Question

我想从以下层开始训练深度网络：

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)

如何，第一层

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

Answer 1

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（即使它是一个长度为1的数组）。

您的输出确实应该是4-d，第一维用于枚举样本。即对于单个图像，您应该返回（1,32,32,3）的形状。

您可以在＆＃34; Convolution2D＆＃34; /＆＃34;输入形状＆＃34;

下找到更多信息here

Answer 2

可能非常琐碎，但我通过将输入转换为 numpy array 来解决了。

对于神经网络架构，

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

输入时，

    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)]

我遇到了错误，

但是当我将其更改为

   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。

Answer 3

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

X_train，X_test，\ y_train，y_test = train_test_split（X_reshaped， 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）

Answer 4

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   时代1/5   60000/60000 [==============================]-157s 3ms / step-损耗：0.0981-acc：0.9692-val_loss ：0.0468-val_acc：0.9861   时代2/5   60000/60000 [==============================]-157s 3ms / step-损耗：0.0352-acc：0.9892-val_loss ：0.0408-​​val_acc：0.9879   时代3/5   60000/60000 [==============================]-159s 3ms / step-损耗：0.0242-acc：0.9924-val_loss ：0.0291-val_acc：0.9913   时代4/5   60000/60000 [==============================]-165s 3ms / step-损耗：0.0181-acc：0.9945-val_loss ：0.0361-val_acc：0.9888   时代5/5   60000/60000 [==============================]-168s 3ms / step-损耗：0.0142-acc：0.9958-val_loss ：0.0354-val_acc：0.9906

Answer 5

添加一个维度非常简单，因此我正在研究Siraj Rawal在CNN代码部署教程上讲授的教程，它在他的终端上运行，但是相同的代码在我的终端上不起作用，所以我对它做了一些研究并解决了，我不知道这是否对所有人都有效。在这里，我想出了解决方案；

未解决的代码行给您带来了问题：

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)

已解决的代码：

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)

如果对您有用，请在此处分享反馈。

Answer 6

这取决于您实际对数据进行排序的方式，如果首先基于渠道，则应重塑数据： x_train = x_train.reshape（x_train.shape [0]，通道，宽度，高度）

如果其频道最后一次： x_train = s_train.reshape（x_train.shape [0]，宽度，高度，通道）

Answer 7

您应该简单地将以下转换应用于输入数据数组。

input_data = input_data.reshape((-1, image_side1, image_side2, channels))

Answer 8

是的，它接受四个参数的元组， 如果您的训练图像数（或其他）= 6000， 图片尺寸= 28x28 和灰度图像 您将拥有（6000,28,28,1）

最后一个参数对于灰度是1，对于彩色图像是3。

Answer 9

遇到了同样的问题，没有答案对我有用。经过大量调试后，我发现一个图像的大小小于32。这会导致数组的尺寸错误和上述错误。

要解决此问题，请确保所有图像具有正确的尺寸。