如何修复：ValueError：检查输入时出错：预期 flatten_input 为 3 维，但得到的数组形状为 (28, 28)

Question

我正在尝试将自己的图像输入到 mnist 模型中

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test, y_test)
model.predict(gray)

灰色是形状为 (28,28) 的图像，但我收到一条错误消息，指出模型需要 3 维，即使输入形状为 (28,28)。

如果我执行 gray.reshape(1,28,28)，则代码有效，但我不知道为什么会有效，或者这是否是解决此问题的正确方法。

Answer 1

model 实例需要一批图像。这是在这一行指定的：

tf.keras.layers.Flatten(input_shape=(28, 28))

当您指定 input_shape=(28, 28) 时，您基本上是在告诉 Tensorflow 您将收到一批输入，其中批次中的每个元素都将具有 28 x 28 的形状。因此，当您添加图片时，请确保扩大其尺寸：

gray = np.expand_dims(gray, axis=0)

那么，你可以放心地做：

model.predict(gray)

---

此外，在这种特殊情况下，您可以使用np.reshape。但是，该方法有不同的用途，所以我会坚持使用np.expand_dims。这是证明它们相等的证据：

X = np.random.rand(28, 28)
np.testing.assert_array_equal(np.expand_dims(X, axis=0), np.reshape(X (1, 28, 28)))
# The assert passes