Numpy 检查输入时出错：预期展平\u 1\u输入有3个维度，但得到了具有形状（28，28）的数组

代码如下：

image = cv2.imread('MNIST_IMAGE.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
data = asarray(gray)
data=data/255.0
predictions=model.predict(data)

这就是错误，我得到：

ValueError回溯（最近的调用 最后）在 3数据=阵列（灰色） 4数据=数据/255.0 ---->5预测=模型预测（数据）

~\Anaconda3\lib\site packages\tensorflow\u core\python\keras\engine\training.py 在预测（self、x、批大小、详细、步骤、回调、， 最大队列大小，工人，使用多处理）1011
最大队列大小=最大队列大小，1012个工人=工人， ->1013使用\u多处理=使用\u多处理）1014 1015 def重置\u度量（自）：

~\Anaconda3\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2.py 在预测（self、model、x、批大小、详细、步骤、回调、， 最大队列大小，工人，使用多处理，**kwargs） 496模型，ModeKeys.PREDICT，x=x，批大小=批大小，详细=详细， 497步骤=步骤，回调=回调，最大队列大小=最大队列大小， -->498工人=工人，使用多处理=使用多处理，**kwargs） 499 五百

~\Anaconda3\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2.py 在模型迭代中（self、model、mode、x、y、批大小、详细、， 样本重量、步数、回调、最大队列大小、工作人员、， 使用多处理，**kwargs） 424最大队列大小=最大队列大小， 425名工人=工人， -->426使用多处理=使用多处理） 427总样本数=\u获取\u总样本数\u（适配器） 428使用样本=总样本不是无

~\Anaconda3\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2.py 过程内输入（型号、模式、x、y、批量大小、年代、， 样本权重、类权重、洗牌、步骤、分布策略、， 最大队列大小、工人、使用（多处理） 644标准化功能=无 645 x，y，样本重量=标准化( -->646 x，y，样本重量=样本重量） 647 elif适配器\u cls是数据\u适配器。列表ScalarsDataAdapter: 648标准化功能=标准化

~\Anaconda3\lib\site packages\tensorflow\u core\python\keras\engine\training.py 标准化用户数据（自身、x、y、样本重量、类别重量、， 批量大小、检查步骤、步骤名称、步骤、验证、拆分、洗牌、， 从数据集中提取张量）2381 is\u数据集=is\u数据集，
2382级重量=级重量， ->2383批次大小=批次大小）2384 2385定义标准化张量（自我、x、y、样本重量、急切运行、记录输入、

~\Anaconda3\lib\site packages\tensorflow\u core\python\keras\engine\training.py 在标准化张量中（自我、x、y、样本重量、热切奔跑、， dict_输入，is_数据集，类别重量，批次大小）2408
进给输入形状，2409检查批处理轴=假，不 强制执行批处理大小。 ->2410异常_prefix='input'）2411 2412#获取输入数据的类型规范，并在必要时对其进行清理

~\Anaconda3\lib\site packages\tensorflow\u core\python\keras\engine\training\u utils.py 在标准化输入数据（数据、名称、形状、检查批处理轴、， 例外情况（前缀） 571'：预期'+names[i]+'具有'+ 572 str（len（shape））+'维度，但得到数组' -->573'带形状'+str（数据形状）） 574如果不检查批次轴： 575数据形状=数据形状[1:]

ValueError:检查输入时出错：预期的展平\u 1\u输入为 有3个维度，但得到了形状为（28，28）的数组

添加批次维度：

predicts=model.predict（数据[无，…]）

或者像这样（两者都是等效的）：

predicts=model.predict（np.expand_dims（数据，0））

由于批次维度是一个图像，因此它也是一个批次维度。prediction=model.predict（np.array（[np.expand_dims（data，-1）]）@PratikRanjan Try:

predictions=model.predict（data[None，…，None]）