Keras 输入带有Conv2D错误的_形状

我想使用Keras Conv2D，但出现错误：

model.add(Conv2D(64, (2, 2), padding='valid', data_format='channels_last', input_shape=(1, 4, 4, 1)))

Keras文档告诉我们输入形状是4D张量，但它抛出了以下错误：

ValueError: Input 0 is incompatible with layer conv2d_1: expected ndim=4, found ndim=5.

我做了一些调试，发现在

topology.py

中有一个参数检查：

if spec.ndim is not None:
            if K.ndim(x) != spec.ndim:
                raise ValueError('Input ' + str(input_index) +
                                 ' is incompatible with layer ' +
                                 self.name + ': expected ndim=' +
                                 str(spec.ndim) + ', found ndim=' +
                                 str(K.ndim(x)))

我发现

x=Tensor（“conv2d\u 1\u input:0”，shape=（？，1，4，4，1），dtype=float32）

是一个具有

dim=5

的张量，spec是具有

dim=4

的InputSpec的实例，它从来都不相等。如何解决这个问题

守则：

def _build_model(self):
    # Neural Net for Deep-Q learning Model
    model = Sequential()
    model.add(Conv2D(64, (2, 2), padding='valid', data_format='channels_last', input_shape=(1, 4, 4, 1)))
    model.add(Conv2D(128, 3, strides=(1, 1), padding='valid'))
    model.add(Flatten())
    model.add(Dense(16, activation='relu'))
    model.add(Dense(self.action_size, activation='linear'))
    model.compile(loss='mse', optimizer=Adam(lr=self.learning_rate))
    return model

试试这个：

model.add（Conv2D（64，（2,2），padding='valid'，data\u format='channels\u last'，input\u shape='4,4,1））

卷积2D层需要#采样*高度*宽度*通道。样本数是从您输入数据的model.fit（）函数中推断出来的

如果您将MNIST视为最简单的示例，则可以这样做：

model = Sequential()

model.add(Conv2D(32, (3, 3), padding='same', input_shape=(28, 28, 1)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
...
history = model.fit(X-train, y_train, batch_size=32, epochs=1)

试试这个：

model.add（Conv2D（64，（2,2），padding='valid'，data\u format='channels\u last'，input\u shape='4,4,1））

卷积2D层需要#采样*高度*宽度*通道。样本数是从您输入数据的model.fit（）函数中推断出来的

如果您将MNIST视为最简单的示例，则可以这样做：

model = Sequential()

model.add(Conv2D(32, (3, 3), padding='same', input_shape=(28, 28, 1)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
...
history = model.fit(X-train, y_train, batch_size=32, epochs=1)