我是tensorflow的新手，我有以下这种格式的numpy输入数据：
x_train_n.shape =（200,64,2048）
意味着200是训练数据集的数量，64是H，2048是W
当我要将输入输入到我的网络时，首先必须重塑它：
x_train_n = x_train_n.reshape(x_train_n.shape[0], 1, rows, cols)
然后
inputs = Input(shape=x_train_n.shape[1:])
output1 = Conv2D(32, (3, 15), strides=(1, 2), padding='same', data_format='channels_first', input_shape=x_train_n.shape[1:])(inputs)
否则，我得到的错误是Conv2d预期有4个维，但维是3个错误。
这是正确的做法吗？如果是这样，为什么这有意义？
为什么我必须重塑就不能跟随？
output1 = Conv2D(32, (3, 15), strides=(1, 2), padding='same', data_format='channels_first', input_shape=x_train_n.shape())(inputs)
答案 0 :(得分：2)
这很有道理。卷积层需要许多输入通道。对于RBG图像，该数字为3。对于某些数据（例如灰度图像或显然具有的任何数据），通道数为1。但是，该通道仍需要显式存在-它不能简单地是暗示。
答案 1 :(得分：2)
是的，这是正确的事情。
Conv2D图层应用于2D数据。 2D数据可能具有多个通道。在您的情况下，通道数等于1。由于此Conv2D设计用于多个通道，因此您必须添加此额外的维，以声明数据具有多少个通道（在您的情况下为1个通道）
答案 2 :(得分：2)
Conv2D期望4个正确的尺寸，它们是：(BatchSize, Channel, Width, Height)。
对于彩色图像，通常具有3个RGB通道的色彩强度，对于灰度图像则只有一个。