Python Keras ValueError:形状（无，1）和（无，48，48，96）不兼容_Python_Tensorflow_Machine Learning_Keras_Neural Network

Python Keras ValueError:形状（无，1）和（无，48，48，96）不兼容

python tensorflow machine-learning keras neural-network

Python Keras ValueError:形状（无，1）和（无，48，48，96）不兼容,python,tensorflow,machine-learning,keras,neural-network,Python,Tensorflow,Machine Learning,Keras,Neural Network,我有一个数据集，我正试图使用Keras来训练它，但每次我都会遇到这样的错误：“ValueError:Shapes（None，1）和（None，48，48，96）是不兼容的”，我无法找出它到底出了什么问题。我阅读了其他相关问题，但无法理解问题的核心 DATASET_PATH = "/Users/user/Documents/ML Projects/Dataset" CLASSNAME_SIZE = 96 IMG_SIZE = 48 #Creating Dictionary

我有一个数据集，我正试图使用Keras来训练它，但每次我都会遇到这样的错误：“ValueError:Shapes（None，1）和（None，48，48，96）是不兼容的”，我无法找出它到底出了什么问题。我阅读了其他相关问题，但无法理解问题的核心

DATASET_PATH = "/Users/user/Documents/ML Projects/Dataset"
CLASSNAME_SIZE = 96
IMG_SIZE = 48


#Creating Dictionary of Classname

with open(JSON_PATH) as classnameJSON:
    CLASSNAME = json.loads(classnameJSON.read())

trainingData = []
X = []
Y = []


#loading data

def loadTrainingData():
    for instance in range(CLASSNAME_SIZE):
        joinedPath = os.path.join(DATASET_PATH, str(instance))
        label = str(instance)
        for img in os.listdir(joinedPath):
            try:
                img_array = cv2.imread(os.path.join(joinedPath,img), cv2.COLOR_BGR2RGB)
                new_array = cv2.resize(img_array, (IMG_SIZE, IMG_SIZE))
                trainingData.append([new_array, label])
            except Exception as err:
                pass

loadTrainingData()
print(len(trainingData))

def distributeTrainingData():
    for img, label in trainingData:
        X.append(img)
        Y.append(label)


distributeTrainingData()
print("distributing data")
X = np.array(X, dtype='float32')
Y = np.array(Y, dtype='float32')
print(len(X))
print(len(Y))

def cnn_model():
    model = Sequential()

    model.add(Dense(128, activation='relu'))
    model.add(Dense(128, activation='relu'))
    model.add(Dense(CLASSNAME_SIZE, activation='softmax'))
    return model

model = cnn_model()


model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
model.fit(X, Y, batch_size=32, epochs=3)

添加密集层之前，请尝试添加：

model.add（keras.layers.InputLayer（input_shape=（X.shape[1]，））

在添加密集层之前，请尝试添加：

model.add（keras.layers.InputLayer（input_shape=（X.shape[1]，））

您的代码有两个问题

首先，您需要决定是否要对目标进行热编码并使用

categorical\u交叉熵

loss，或者将它们作为1D张量传递并使用

sparse\u categorical\u交叉熵

loss

使用

categorical\u crossentropy

loss时，将它们作为一维张量传递。这两者是不相容的。简单的解决方法是将损失更改为

sparse\u categorical\u crossentropy

第二个问题是，您正在将3D张量（图像）传递到需要平面输入的密集层。如果不想使用卷积层（即使是），则需要在将输入传递到密集层之前将其展平。您可以使用

keras.layers.flatte（）

进行此操作

因此，将

compile

方法更改为

model.compile(loss='sparse_categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

并将

展平

层添加到模型中

def cnn_model():
    model = Sequential()
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(128, activation='relu'))
    model.add(Dense(CLASSNAME_SIZE, activation='softmax'))
    return model

model = cnn_model()

如果要在密集层之前添加一些卷积（

keras.layers.Conv2D

）层，则将在卷积底部和密集顶部之间添加

展平

层

def cnn_model():
    model = Sequential()
    model.add(Conv2D(...))
    # ... more conv/pool layers
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(128, activation='relu'))
    model.add(Dense(CLASSNAME_SIZE, activation='softmax'))
    return model