Python 输入形状的卷积神经网络误差

我有1000张28*28分辨率的图像。我将这1000张图像转换成numpy数组，并形成一个大小为（1000,28,28）的新数组。所以，虽然 使用keras创建卷积层时，输入形状（X值）指定为（1000,28,28），输出形状（Y值）指定为（1000,10）。因为我 VE1000示例为输入和10类输出

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),activation='relu',kernel_initializer='he_normal',input_shape=(1000,28,28)))
.
.
.
model.fit(train_x,train_y,batch_size=32,epochs=10,verbose=1)

因此，在使用

fit

函数时，检查输入时显示

ValueError:Error：预期conv2d_1_输入有4个维度，但得到的数组的形状（1000,28,28）

为错误。请帮助我的伙计们为CNN提供适当的输入和输出尺寸

代码：

---

您的numpy阵列需要第四维，常见的标准是使用第一维对样本进行编号，因此将（1000,28,28）更改为（1,1000,28,28）

---

您可以阅读更多信息。

您需要将输入更改为4维，将

通道设置为
1
：（1000,28,28,1），并且需要将卷积层的
输入形状更改为
（28,28,1）
：

从您的输入来看，您似乎正在使用tensorflow作为后端

在keras中，
输入_形状
应始终为三维。
对于tensorflow作为后端，模型的
输入\u形状
将

input_shape = [img_height,img_width,channels(depth)]

对于tensor flow后端，应该是

input_shape = [28,28,1]

并且
列车x
的形状应为

train_x = [batch_size,img_height,img_width,channels(depth)]

就你而言

train_x = [1000,28,28,1]

当您使用灰度图像时，图像的尺寸将为（图像高度，图像宽度），因此您必须为图像添加额外的尺寸，这将导致（图像高度，图像宽度，1）“1”表示图像的深度，对于灰度为“1”，对于rgb为“3”。
如果我将（1000,28,28）转换为（11000,28,28）然后
ValueError:输入数组的样本数应与目标数组的样本数相同。找到1个输入样本和1000个目标样本。
正在发生。您需要更改输入形状以获得单个样本。如果看不到代码的其余部分，我将无法讲述更多内容。
train_x = [batch_size,img_height,img_width,channels(depth)]

train_x = [1000,28,28,1]