Python ValueError:layer sequential_5的输入0与layer:：expected min_ndim=4不兼容，found ndim=2。收到完整形状：[无，953] 将pyautogui导入为pg 从PIL导入ImageGrab，ImageOps 将numpy作为np导入 导入tensorflow作为tf 从tensorflow进口keras 从时间上导入睡眠 从tensorflow.keras.layers导入* 进口cv2 随机输入 方框=（0259953428） def bigjump（）： pg.keyDown（“空格”） 睡眠（0.1） pg.keyUp（“空格”） def smalljump（）： pg.press（“空格”） def duck（）： pg.keyDown（“向下”） 睡眠（0.4） pg.keyUp（“向下”） def noting（）： 睡眠（0.1） screen=ImageGrab.grab（bbox=box） 屏幕=图像操作灰度（屏幕） 屏幕\u n=np.数组（屏幕）/255 model=keras.models.Sequential（） add（Conv2D（32，（8,8），步幅=（2,2））） model.add（MaxPoolig2D（池大小=（2,2））） 添加（激活（'relu'）） add（Conv2D（64，（4,4），步幅=（2,2），填充='same'）） model.add（MaxPoolig2D（池大小=（2,2））） 添加（激活（'relu'）） add（Conv2D（64，（3,3），步幅=（1,1），填充='same'）） model.add（MaxPoolig2D（池大小=（2,2））） 添加（激活（'relu'）） model.add（展平（）） 添加（密集（512，activation='relu'）） 模型.添加（密度（4）） compile（优化器='adam'，loss='mean\u square\u error'，metrics=['accurrent']）） 模型构建（（169953）） model.summary（） 完成=0 计数=0 折扣=0.99 最大事件数=1000 state_list=list（） q_list=list（） replay_mem=list（） 重播大小=32 重播限制=2048 对于范围内的剧集（最多剧集）： 虽然没有这样做： 计数+=1 e=1/（（第10集）+1） screen=ImageGrab.grab（bbox=box） screen\u n=np.数组（图像操作灰度（屏幕））/255 q=模型预测（屏幕） 如果np.random.rand（1）

我认为这与灰度缩放有关，请您分享模型输入层的尺寸

---

可能，该模型是在3通道数据上训练的，这就是为什么它要求4个DIM（批次大小，ch1，ch2，ch3），而您的灰度图像是单通道，因此2个DIM（批次大小，ch1）

输入大小是（169953）。您能告诉我

模型的输出吗。摘要（）

发生这种情况：（ValueError:此模型尚未生成。首先通过调用

Build（）

或调用带有一些数据的

fit（）

来生成模型，或者在第一层中指定

input\u shape

参数用于自动生成。尝试向模型添加输入层，并在其中指定维度。如果可能，请与我分享整个代码的要点，我认为您可能缺少一些内容。我用整个代码更改了我的帖子。

import pyautogui as pg
from PIL import ImageGrab, ImageOps
import numpy as np
import tensorflow as tf
from tensorflow import keras
from time import sleep
from tensorflow.keras.layers import *
import cv2
import random

box = (0,259,953,428)

def bigjump():
    pg.keyDown('space')
    sleep(0.1)
    pg.keyUp('space')
    
def smalljump():
    pg.press('space')
    
def duck():
    pg.keyDown('down')
    sleep(0.4)
    pg.keyUp('down')
    
def noting():
    sleep(0.1)

screen = ImageGrab.grab(bbox = box)
screen = ImageOps.grayscale(screen)

screen_n = np.array(screen)/255

model = keras.models.Sequential()

model.add(Conv2D(32,(8,8),strides=(2,2)))
model.add(MaxPooling2D(pool_size = (2,2)))
model.add(Activation('relu'))
model.add(Conv2D(64,(4,4),strides=(2,2),padding= 'same'))
model.add(MaxPooling2D(pool_size = (2,2)))
model.add(Activation('relu'))
model.add(Conv2D(64,(3,3),strides=(1,1),padding= 'same'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Activation('relu'))
model.add(Flatten())
model.add(Dense(512,activation='relu'))
model.add(Dense(4))

model.compile(optimizer = 'adam',loss = 'mean_square_error',metrics =['accurate']) 

model.build((169,953))
model.summary()

done = 0
count = 0

discount = 0.99

max_episodes = 1000

state_list = list()
q_list = list()

replay_mem = list()

replay_size = 32
replay_limit = 2048

for episode in range(max_episodes):
    while not done:
        
        count += 1
        e = 1 / ((episode / 10) + 1)
    
        screen = ImageGrab.grab(bbox = box)
        screen_n = np.array(ImageOps.grayscale(screen))/255
        
        q = model.predict(screen_n)
    
        if np.random.rand(1)<e:
            action = random.randint(1,4)
        else:
            action = np.argmax(q)

        if action == 1:
            bigjump()
        elif action == 2:
            smalljump()
        elif action == 3:
            duck()
        elif action == 4:
            noting()
        
        screen_next = ImageGrab.grab(bbox = box)
        screen_next_n = np.array(ImageOps.grayscale(screen_next))/255
        
        if screen_next_n == screen_n:
            done = 1
            reward = -100
        else:
            reward = 1
            
        replay_mem.append([screen_n,screen_next_n,action,done,reward])
        
        if len(replay_mem)<replay_size:
            replay_size = len(replay_mem)
        
        for sample in random.sample(replay_mem,replay_size):
            screen_n,screen_next_n,action_dont,reward = sample
            if done:
                q[0,action] = -100
            else:
                q_next = model.predict(screen_next_n)
                q[0,action] = reward + discount*argmax(q_next)
            
            state_list.append(screen_n)
            q_list.append(q)
        hist = model.fit(state_list,q_list,epochs = 5,verbose =0)