数值错误：顺序图层的输入与图层不兼容：期望的最小维度为4，而实际维度为3。完整形状为[8，28，28]。

Question

我一直收到与输入形状相关的错误。希望能得到帮助。谢谢！

import tensorflow as tf

(xtrain, ytrain), (xtest, ytest) = tf.keras.datasets.mnist.load_data()

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(16, kernel_size=3, activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=2),
    tf.keras.layers.Conv2D(32, kernel_size=3, activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
    ])

model.compile(loss='categorical_crossentropy', 
              optimizer='adam',
              metrics='accuracy')

history = model.fit(xtrain, ytrain,
                    validation_data=(xtest, ytest),
                    epochs=10, batch_size=8)

数值错误: 序列层的输入与该层不兼容：期望的最小维度为4，但发现维度为3。接收到的完整形状为：[8, 28, 28]

- hussain lallani

Answer 1

您创建的模型的输入层需要一个4维张量才能正常工作，但您传递给它的x_train张量只有3个维度。

这意味着您需要使用 .reshape(n_images, 286, 384, 1) 来重新整形您的训练集。 现在您已经添加了一个额外的维度而没有改变数据，您的模型已经准备好运行了。

在训练模型之前，您需要将 x_train 张量重塑为四个维度。

例如：

x_train = x_train.reshape(-1, 28, 28, 1)

有关Keras输入的更多信息，请查看此答案

- Rohith

Answer 2

你需要添加一个通道维度。Keras期望的数据格式如下：

(n_samples, height, width, channels)

例如，如果您的图像是灰度的，它们只有1个通道，因此需要按照以下格式提供给Keras：

对于这个例子，如果您的图像是灰度的，则只有1个通道，因此需要以此格式提供给Keras：

(60000, 28, 28, 1)

不幸的是，灰度图像通常会在没有通道维度的情况下被给予/下载，例如在tf.keras.datasets.mnist.load_data中，它将是(60000, 28, 28)，这是有问题的。

解决方案：

您可以使用tf.expand_dims添加一个维度。

xtrain = tf.expand_dims(xtrain, axis=-1)

现在您的输入形状将为：

(60000, 28, 28, 1)

还有其他同样的选择：

xtrain = xtrain[..., np.newaxis]
xtrain = xtrain[..., None]
xtrain = xtrain.reshape(-1, 28, 28, 1)
xtrain = tf.reshape(xtrain, (-1, 28, 28, 1))
xtrain = np.expand_dims(xtrain, axis=-1)

- Nicolas Gervais

---

请问，(60000, 28, 28, 1)中的60000是什么意思？ - JunaidAfzal

这是样本数量。 - Nicolas Gervais

谢谢，还有一件事。我有一个形状为(170, 64, 64)的张量，但是当我增加它的维度时，它变成了(170, 4096, 1)，但我想要的是：(170, 64, 64, 1)，我该怎么做？？？ - JunaidAfzal

np.expand_dims(your_array, axis=-1) - Nicolas Gervais

Answer 3

您可以使用tf.newaxis添加新的轴:

arr = tf.random.uniform(shape=(8,8,28))
print(arr.shape)
arr = arr[:,:,:,tf.newaxis]
print(arr.shape)

# (8, 8, 28)
# (8, 8, 28, 1)

- JAdel