为什么输入大小 ot shape 无效？答案

【问题标题】：Why the input size ot shape is not valid?为什么输入大小 ot shape 无效？
【发布时间】：2021-03-20 17:38:27
【问题描述】：

我知道以前有人问过类似的问题，但解决方案对我没有帮助。

我有以下型号：

        model = Sequential()

        # CNN
        model.add(Conv2D(filters=16, kernel_size=2, input_shape=(40, 2000, 1), activation='relu'))
        model.add(MaxPooling2D(pool_size=2))
        model.add(Dropout(0.2))

        # CNN
        model.add(Conv2D(filters=32, kernel_size=2, activation='relu'))
        model.add(MaxPooling2D(pool_size=2))
        model.add(Dropout(0.2))

        # CNN
        model.add(Conv2D(filters=64, kernel_size=2, activation='relu'))
        model.add(MaxPooling2D(pool_size=2))
        model.add(Dropout(0.2))

        # CNN
        model.add(Conv2D(filters=128, kernel_size=2, activation='relu'))
        model.add(MaxPooling2D(pool_size=2))
        model.add(Dropout(0.2))
        model.add(GlobalAveragePooling2D())
        model.add(Dense(num_labels, activation='softmax'))

        optimizer = optimizers.SGD(lr=0.002, decay=1e-6, momentum=0.9, nesterov=True)
        model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')

我正在尝试拟合模型：

model.fit(X_train, y_train_hot, batch_size=10, epochs=50,
                            validation_data=(X_test, y_test_hot))

在哪里

X_train.shape = {tuple:3} (246, 40, 2000)

从我阅读的其他帖子 (Keras input_shape for conv2d and manually loaded images) 看来，我的输入是正确的。

但我收到以下错误：

ValueError: Input 0 of layer sequential is incompatible with the layer: : expected min_ndim=4, found ndim=3. Full shape received: [None, 40, 2000]

我错过了什么？我该如何解决？

【问题讨论】：

标签： tensorflow keras conv-neural-network

【解决方案1】：

错误是您没有包含4-th 轴（即axis=3 or axis -1）。

在这里，您可以看到以下内容：

预期 min_ndim=4，发现 ndim=3。收到的完整形状：[无，40， 2000]

None 转换为批量大小，当然是可变的并设置为 None。

那么，你有40，2000，应该分别对应height和width。

同时，请记住，您在代码中写道，您的网络期望的输入形状是 input_shape=(40, 2000, 1) 而不是 (40,2000)。

您需要显式添加“颜色”/“通道数”轴，在这种情况下为第三通道，因此您需要使用reshape 或expand_dims 来实现。

出于演示目的，假设X 的形状为(40,2000)，然后将X 重塑为X = X.reshape(40,2000,1)

【讨论】：

【解决方案2】：

正如您从发布的链接中看到的那样，您必须将数据重塑为 4dim。

X_train = X_train.reshape(246, 40, 2000, 1)

或

X_train = X_train.reshape(-1, 40, 2000, 1)

4D：[batch_size, img_height, img_width, number_of_channels]

【讨论】：