Python 使用tf.data和mode.fit时1DConv输入的维度出错

我正在使用TensorFlow 2.0.0，并试图使用来自_generator（）的tf.data.Dataset.创建我自己的数据集

这是我的密码：

def trainDatagen（）：
对于生产线列表中的npy：
x=tf.convert_to_tensor（np.load（npy），dtype=tf.float32）
如果npy在gbmlist中：
y=to_分类（0，num_类=2）
其他：
y=to_分类（1，num_类=2）
产量x，y
def tfDatasetGen（数据源、输出类型、is训练、批量大小）：
dataset=tf.data.dataset.from_生成器（生成器=datagen，输出类型=输出类型）
如果是大学培训：
dataset.shuffle（缓冲区大小=100）
dataset.repeat（）
dataset.batch（批次大小=批次大小）
dataset.prefetch（buffer_size=tf.data.experimental.AUTOTUNE）
返回数据集
列车组=tfDatasetGen(
数据生成=列车数据生成，
输出类型=（tf.float32，tf.float32），
_training=True，
批次（单位尺寸=16）

所有这些npy文件都是np.array，形状为[40002048]，是从带有4000块瓷砖的大型病理切片中获得的。每个瓷砖的特征由ResNet50计算

这是我的模型：

def top_k（输入，k）：
返回tf.nn.top_k（输入，k=k，排序=True）。值
def最小值（输入，k）：
返回-tf.nn.top_k（-inputs，k=k，sorted=True）。值
def最小最大值k（输入，k）：
返回tf.concat（[top_k（输入，k），least_k（输入，k）]，轴=-1）
输入=keras.Input（形状=（40002048））
y=layers.Conv1D（12048，使用_bias=False，padding='same'，data_format='channels'u last'）（输入）
y=层。展平（）（y）
y=layers.Lambda（minmax_k，参数={'k'：5}）（y）
y=层密度（单位=200，激活=tf.nn.relu）（y）
y=层。辍学率（0.5）（y）
y=层密度（单位=100，激活=tf.nn.relu）（y）
y=层密度（单位=2，激活=tf.nn.softmax）（y）
模型=keras.模型（输入=输入，输出=y）

在使用model.fit（）训练模型时，我收到以下消息：

ValueError: Error when checking input: expected input_4 to have 3 dimensions, but got array with shape (4000, 2048)

所有这些想法都来自论文arXiv:1802.02212。这是我试图复制的神经网络图

---

我听从了Mahsa Hassankashi的建议，将输入改为（40002048,1）

x=tf.convert_to_tensor（np.load（npy）.重塑（40002048,1），dtype=tf.float32）

并根据GitHub问题修改了此部分以修复错误：

train\u set=tfDatasetGen(
数据生成=列车数据生成，
输出类型=（tf.float32，tf.float32），
**输出形状=（tf.TensorShape（（无，无，无）），tf.TensorShape（（2，）**
_training=True，
批次（单位尺寸=16）

但我明白了：

InvalidArgumentError:  input and filter must have the same depth: 1 vs 2048

最后，我尝试将输入重塑为（140002048），这一次我遇到了另一种错误：

InvalidArgumentError:  Expected size[0] in [0, 1], but got 2

---

请查看列车列表，如果需要二维卷积NN，请使用：

否则，对于最后一个错误：

InvalidArgumentError:  Expected size[0] in [0, 1], but got 2

当生成的元素是张量时，from_生成器函数会将其展平以输出_类型。这种转换是行不通的

解决方案是，当生成器生成张量时，使用来自\u张量的或来自\u张量的而不是来自\u生成器的

请测试以下解决方案：

请您测试一下：

1.tensorflow gpu

conda create --name tensorflow
activate tensorflow
pip install tensorflow
pip install tensorflow-gpu

2.时间步长 根据你的卷积，1D需要3维，而卷积2D需要4维。

时间步长=1

然后将X_系列和X_测试重塑为：

X1_Train = X1_Train.reshape((4000,2048,1))
#call model.fit()

3.使用

model.fit_generator()

4.在最后一次压实之前添加展平

model.add(Flatten())

---

谢谢你的帮助。我按照您的建议重塑输入数组：

x=tf.convert_to_tensor（np.load（npy）。重塑（（40002048,1）），dtype=tf.float32）

然后它引发了另一个错误：

371 def validate_all_tensor_形状（x，x_值）：372#验证x中所有元素的形状是否具有相同的形状-->373 x_形状=x_值[0].shape.as_list（）374表示范围内的i（1，len（x_值））：375如果x_shape！=x_值[i]。形状。as_列表（）：值错误：as_列表（）未在未知的张量形状上定义太好了，请告诉我您的输出。@Satantango您确定它是conv1吗？是的。以下是eassay中给出的描述：首先，P=2048 ResNet-50特征的一组一维嵌入通过跨越瓷砖索引轴的J一维卷积层进行计算。
model.add(Flatten())