Python 3.x 层上的不兼容值错误应为ndim=4，发现ndim=5

我正在使用更快的RCNN实现对象检测 获取错误：

ValueError: Input 0 is incompatible with layer res5a_branch2a: expected ndim=4, found ndim=5

用于以下网络设计

num_rois=4
roi_input = Input(shape=(num_rois, 4))
out_roi_pool = RoiPoolingConv(14, 3)([model2.output, roi_input])

ROIPoolgconv是用户定义的函数和out_roi_池的输出

<tf.Tensor 'roi_pooling_conv_49/transpose:0' shape=(1, 3, 14, 14, 2048) 
dtype=float32>


pooling_regions = 14 #Size of pooling region
num_rois=4           #number of regions of interest
input_shape = (num_rois,14,14,1024)
nb_filter1, nb_filter2, nb_filter3 = [512,512,2048]
old_layer = TimeDistributed(Convolution2D(nb_filter1, (1, 1), strides=(1,1), 
trainable=False, kernel_initializer='normal'),input_shape=out_roi_pool.shape, name='2b')(out_roi_pool )

池区=14池区大小
num_rois=4#感兴趣区域的数量
输入形状=（ROI数量，14,141024）
nb_过滤器1、nb_过滤器2、nb_过滤器3=[512512248]
旧层=时间分布（卷积2D（nb_过滤器1，（1，1），步幅=（1，1），
trainable=False，kernel\u initializer='normal'），input\u shape=out\u roi\u pool.shape，name='2b'）（out\u roi\u pool）

已引用，但仍无法解决错误

---

非常感谢任何潜在客户

为可能或将陷入维度不匹配错误的人发布解决错误的答案

num_rois=4
roi_input = Input(shape=(num_rois, 4))
out_roi_pool = RoiPoolingConv(14, 3)([model2.output, roi_input])

ROIPoolgconv是用户定义的函数，可重新定义out_roi_池的输出 现在输出将是

<tf.Tensor 'roi_pooling_conv_49/transpose:0' shape=(1, 3, 14, 14,1024) dtype=float32>
pooling_regions = 14 #Size of pooling region
num_rois=4           #number of regions of interest
input_shape = (num_rois,14,14,1024)
nb_filter1, nb_filter2, nb_filter3 = [512,512,1024]
old_layer = TimeDistributed(Convolution2D(nb_filter1, (1, 1), strides=(1,1), 
trainable=False, 
kernel_initializer='normal'),input_shape=out_roi_pool.shape, name='2b') 
(out_roi_pool )

池区=14池区大小
num_rois=4#感兴趣区域的数量
输入形状=（ROI数量，14,141024）
nb_过滤器1、nb_过滤器2、nb_过滤器3=[512512124]
旧层=时间分布（卷积2D（nb_过滤器1，（1，1），步幅=（1，1），
可训练=错误，
kernel\u initializer='normal'），input\u shape=out\u roi\u pool.shape，name='2b'）
（外池）

---

这解决了我的错误

您可以在基本模型的末尾添加密集层

i、 e.模型2.直接提供给GCONV函数之前的输出

 x = Dense(1024, name='avg_pool')(model2.layers[-1].output)
 in_img = model2.input
 new_model = Model(input=in_img, output=[x])
 new_model.summary()
 out_roi_pool = RoiPoolingConv(14, 3)([new_model.output, roi_input])

或者，您已经建立了模型，并相应地输入了形状