Python ValueError:layer sequential的输入0与layer:：expected min\u ndim=4不兼容，found ndim=3。收到完整形状：[无、32、32]

我有一个cnn用于图像分类，trainImages和trainLabel（从0到8）是训练数据，validationImages和ValidationLabel用于测试。图像是32*32。我无法使此算法正常工作，请告诉我是否观察到更多错误。

我无法确切说出问题出在哪里，因为我无法访问加载的图像，但问题是您提供的样本没有“通道”轴，在指定的

输入形状=（32,32,3）

中显示为大小为3。每个样本（图像）必须有3个维度（宽度、高度、通道），但相反，您传递的样本只有2个维度（宽度和高度）

这很可能是因为您可能仅使用一个通道加载灰度图像，而numpy没有明确指定轴。如果是这种情况，请确保trainImages和validationImages都具有形状（32,32,1），否则只需使用

np展开最后一个维度。在将其馈送到模型之前，展开dims（\u trainImages，axis=-1）

（对于验证集相同）。相应地，调整到（32，32，1）第一Conv2D层中的输入_形状

---

希望有帮助，否则让我了解更多细节。

@Babenco5只需调用

model.predict（.）

，对一批您想要分类的图像进行预测。然后，由于您正在输出logits，因此需要应用

np.argmax（预测结果，轴=-1）

，以获得与给定输入相对应的一批预测标签。关于这一点，因为你有9个标签（如你所说，从0到8），我相信你应该在最后一个致密层中有9个神经元（而不是像你那样有10个）。如果我的回答有帮助，请接受。

import imageio
import glob
import numpy as np
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

trainImages = []
for imagePath in glob.glob('C:/Users/razva/*.png'):
     image = imageio.imread(imagePath)
     trainImages.append(image)
trainImages = np.array(trainImages)

f = open('C:/Users/razva/train.txt')
trainLabels = f.readlines()
for i in range(len(trainLabels)):
     trainLabels[i] = int(trainLabels[i][11])
trainLabels = np.array(trainLabels)

validationImages = []
for imagePath in glob.glob('C:/Users/razva/*.png'):
     image = imageio.imread(imagePath)
     validationImages.append(image)
validationImages = np.array(validationImages)
f = open('C:/Users/razva/validation.txt')
validationLabels = f.readlines()
for i in range(len(validationLabels)):
     validationLabels[i] = int(validationLabels[i][11])
validationLabels = np.array(validationLabels)

mean_image = np.mean(trainImages, axis = 0)
sd = np.std(trainImages)
trainImages = (trainImages - mean_image) / sd

mean_image1 = np.mean(validationImages, axis = 0)
sd1 = np.std(validationImages)
validationImages = (validationImages - mean_image1) / sd1

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])

history = model.fit(trainImages, trainLabels, epochs=10, validation_data=(validationImages, validationLabels))