Python keras：预计密集1_输入具有2维 来自keras导入优化器的 从keras.models导入负载_模型 从keras.preprocessing导入图像 将numpy作为np导入 导入scipy.misc 从keras.wrappers.scikit_学习导入KerasClassifier #我们形象的维度 img_宽度，img_高度=313220 #加载我们保存的模型 模型=负荷\模型（'hmodel.h5'） sgd=optimizers.sgd（lr=0.01，衰减=1e-6，动量=0.9，nesterov=True） compile（loss='classifical_crossentropy'，optimizer=sgd，metrics=['accurity'，'mse']） test_image=image.load_img（'/Images/1.jpg'，target_size=（img_宽度，img_高度）） x=scipy.misc.imread（'/Images/1.jpg'）.shape 打印x test_image=image.img_到_数组（test_image） 测试图像=np。展开图像（测试图像，轴=0） 测试图像=测试图像。重塑（图像宽度，图像高度，3） 结果=模型预测（测试图像） 打印结果

运行此代码时，出现以下错误：

/keras/engine/training.py”，第113行，输入数据

---

“with shape”+str（data_shape））ValueError:检查时出错：预期密集_1_输入有2个维度，但得到了带有形状的数组 （3132203）

我的第一次

打印

显示：

（313220,3）

---

如何修复此错误。

您的第一层

稠密（150，内核初始化器='normal'，输入\u dim=36，激活='relu'）

需要具有两个维度的输入：

（*，36）

（第一个维度对应于您的批量大小）

但是，您的输入

x

实际上有3个维度—正确批处理后有4个维度：

（*，313，220，3）

如果希望一个

密集的

层接受这样的输入，可以使用参数

input\u shape=（313、220、3）

而不是

input\u dim=36

---

备注: 您没有正确批处理图像

test\u image=image.load\u img（'/Images/1.jpg'，target\u size=（img\u width，img\u height））
test_image=image.img_to_数组（test_image）#shape=（313,220,3）
test_image=np.展开_dims（test_image，axis=0）#shape=（1313，220，3）
#删除下面的这条线，因为它会将形状恢复为（313、220、3）
#测试图像=测试图像。重塑（图像宽度，图像高度，3）
结果=模型预测（测试图像）

model的输入形状是什么？添加更多信息，如模型定义，可能有助于回答您的问题。如果您没有模型代码，能否显示

model.summary（）

model.add（密集型（150，kernel\u initializer='normal'，input\u dim=36，activation='relu'））model.add（密集型（36，kernel_initializer='uniform'，activation='sigmoid'））model.add（densite（5，activation='sigmoid'）ValueError：检查时出错：预期densite_1_输入有两个维度，但得到了形状为（1313220，3）的数组。您是否应用了我答案的第一部分，即使用

input_shape=（313220，3）重新定义您的第一个
densite
层

而不是

input\u dim=36

作为参数（

model.add（稠密（150，内核初始化器='normal'，input\u shape=（313，220，3），activation='relu'））

）对不起，我不能这样做，因为：1-我不会只有一张图像，我必须预测太多图像（不同大小）.2-my model由GridSearchCv定义。如果所有图像都具有相同的形状（例如，

（313、220、3）

），或者如果您以前可以调整它们的大小，则此代码将起作用。否则，事情会变得更复杂（例如，请参阅本讨论：）。