Python CNN程序：传递给模型的Numpy数组列表的大小不是模型预期的大小

我有下面的代码，其中我试图将一组23个大小为（96，96，96）的3D图像与其相应的测试值（显示为输入_tmtA）（例如）50相结合。换句话说，我希望一个图像的测试值为50，而另一个图像的测试值为80。我可以在没有第二个输入的情况下通过CNN运行图像，但是当我尝试连接第二个输入时，模型似乎找不到第二个输入的数组

我尝试过更改输入值和更改Model.inputs。这可能看起来不太像，但我只是完全搞不清楚到底是什么问题，想不出任何其他方法或可能的错误来尝试。我不确定如何将我的第二个阵列与第一个阵列一起添加到CNN中。检查模型输入时，我收到的错误是错误：传递给模型的Numpy数组列表的大小不是模型预期的大小。预计会看到2个数组，但得到了以下1个数组的列表，其中单个数组来自图像。错误指向“model.fit”行。多谢各位

tmtA = np.array([50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 50, 80, 80, 80, 80, 80, 80, 80, 80, 80, 80, 80])
batch_size = 3

input_image = Input((x_train.shape[1]*x_train.shape[2]*x_train.shape[3], 1))

inputs = Input((x_train.shape[1], x_train.shape[2], x_train.shape[3], 1))
conv1 = Conv3D(32, [3, 3, 3], padding='same', activation='relu')(inputs)
conv1 = Conv3D(32, [3, 3, 3], padding='same', activation='relu')(conv1)
pool1 = MaxPooling3D(pool_size=(2, 2, 2), padding='same')(conv1)
drop1 = Dropout(0.5)(pool1)

conv2 = Conv3D(64, [3, 3, 3], padding='same', activation='relu')(drop1)
conv2 = Conv3D(64, [3, 3, 3], padding='same', activation='relu')(conv2)
pool2 = MaxPooling3D(pool_size=(2, 2, 2), padding='same')(conv2)
drop2 = Dropout(0.5)(pool2)

conv3 = Conv3D(128, [3, 3, 3], padding='same', activation='relu')(drop2)
conv3 = Conv3D(128, [3, 3, 3], padding='same', activation='relu')(conv3)
pool3 = MaxPooling3D(pool_size=(2, 2, 2), padding='same')(conv3)
drop3 = Dropout(0.5)(pool3)

conv4 = Conv3D(64, [3, 3, 3], padding='same', activation='relu')(drop3)
conv4 = Conv3D(64, [3, 3, 3], padding='same', activation='relu')(conv4)
pool4 = MaxPooling3D(pool_size=(2, 2, 2), padding='same')(conv4)
drop4 = Dropout(0.5)(pool4)

conv5 = Conv3D(32, [3, 3, 3], padding='same', activation='relu')(drop4)
conv5 = Conv3D(32, [3, 3, 3], padding='same', activation='relu')(conv5)
pool5 = MaxPooling3D(pool_size=(2, 2, 2), padding='same')(conv5)
drop5 = Dropout(0.5)(pool5)

flat1 = Flatten()(drop5)
dense1 = Dense(128, activation='relu')(flat1)
dense2 = Dense(64, activation='relu')(dense1)
dense3 = Dense(32, activation='relu')(dense2)
drop6 = Dropout(0.5)(dense3)
dense4 = Dense(num_classes, activation='softmax')(drop6)

input_tmtA = Input((len(tmtA), 1))
dense_tmtA1 = Dense(1, activation='softmax')(input_tmtA)
combine1 = concatenate([input_image, input_tmtA], axis=1)

model = Model(inputs=[input_image, input_tmtA], outputs=[combine1])

opt = optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0.02, amsgrad=False)
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=batch_size, epochs=15, shuffle=True)
score = model.evaluate(x_test, y_test, batch_size=batch_size)
print(score)

---

这似乎与您的问题类似：

查看

x\u列

和

y\u列

的数组形状

Model（inputs=[input\u image，input\u tmtA]，…

建议您通过两个数组，但是

x\u train

看起来只有一个数组。您是否尝试过类似

Model.fit（[x\u train1，x\u train2]，…

）的方法

我不太确定你想对输出做什么。

dense\u tmtA1

和

dense4

看起来从未使用过。它们是你的输出层吗？我觉得

Model(inputs=[input_image, input_tmtA], outputs=[combine1])

应该读

Model(inputs=[input_image, input_tmtA], outputs=[output_layer1, output_layer2]) 
// or [dense_tmtA1, dense4] or whatever your output layers are

---

如需进一步参考，请参阅。

我使用以下格式解决了此问题：

model_image = Model(inputs=inputs, outputs=dense4)


# tmtA model
input_tmtA = Input((1, 1))
flat_tmtA1 = Flatten()(input_tmtA)
dense_tmtA1 = Dense(num_subjects, activation='relu')(flat_tmtA1)
dense_tmtA2 = Dense(num_classes, activation='softmax')(dense_tmtA1)

model_tmtA = Model(inputs=input_tmtA, outputs=dense_tmtA1)

combine1 = concatenate([model_image.output, model_tmtA.output])
dense_combine1 = Dense(num_subjects, activation='relu')(combine1)
dense_combine2 = Dense(num_classes, activation='softmax')(dense_combine1)


# final model
model = Model(inputs=[model_image.input, model_tmtA.input], outputs=[dense_combine2])

opt = optimizers.Adam(lr=1e-6)
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit([x_train, x_train_tmtA], y_train, batch_size=batch_size, epochs=15, shuffle=True)
score = model.evaluate([x_test, x_test_tmtA], y_test, batch_size=batch_size)
print(score)

---

Graph disconnected:无法获取tenso的值

通常意味着您的神经网络配置无效。请尝试不要覆盖变量：。例如，不要用新值覆盖

conv1

；只需创建一个新变量即可。不确定这是否会解决问题，但至少会让事情变得更干净一点。此外，您可能需要在以后使用

np.reformate

，以便为Input（）层获得正确形状的输入。