Question

在询问有关该问题的问题后，我会继续介绍它。我正在尝试将字母从A到D进行分类。所有输入图像均为64x64和graycolor。

我们的CNN的第一层是：

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

input_shape来自：

# Define the number of classes
num_classes = 4
labels_name={'A':0,'B':1,'C':2,'D':3}

img_data_list=[]
labels_list=[]

for dataset in data_dir_list:
    img_list=os.listdir(data_path+'/'+ dataset)
    print ('Loading the images of dataset-'+'{}\n'.format(dataset))
    label = labels_name[dataset]
    for img in img_list:
    input_img=cv2.imread(data_path + '/'+ dataset + '/'+ img )
          input_img=cv2.cvtColor(input_img, cv2.COLOR_BGR2GRAY)
          input_img_resize=cv2.resize(input_img,(128,128))
          img_data_list.append(input_img_resize)
          labels_list.append(label)

img_data = np.array(img_data_list)
img_data = img_data.astype('float32')
img_data /= 255
print (img_data.shape)

labels = np.array(labels_list)
print(np.unique(labels,return_counts=True))

#convert class labels to on-hot encoding
Y = np_utils.to_categorical(labels, num_classes)

#Shuffle the dataset
x,y = shuffle(img_data,Y, random_state=2)

# Split the dataset
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=2)

#Defining the model
input_shape=img_data[0].shape
print(input_shape)

Answer 1

当使用多层（卷积层和池化）时，CNN模型需要一个尺寸更大的数据集。为避免出现负尺寸问题，请增加图像尺寸或减少CNN层。可以。

Answer 2

Conv2d期望输入形状（批大小，w，h，过滤器）。

您需要在conv层之前添加一个重塑形状以适合数据：

 model.add(Reshape((64, 64, 1)))

这会将您的模型尺寸设置为[None，64,64,1]，适用于Conv2d。

ValueError：输入0与层conv2d_1不兼容：预期ndim = 4，找到ndim = 3

2 个答案: