Python Tensorflow/Keras Conv2D层中的输入形状错误

我第一次用Keras建立了一个卷积神经网络，我遇到了一些问题。CNN的目的是检测490x640px灰度图像中的模式，我已将其转换为3D numpy阵列。my Pandas dataframe的图像数据列中的每个图像都具有形状

（490640,1）

我的代码如下所示：

from sklearn.model_selection import train_test_split
import tensorflow as tf
from tensorflow.keras import layers, models

# Assigning values to split the dataset into training and test data.
X = data[0]
Y = data[1]

# Allocate 20% of the dataset to be used as test data
train_images, test_images, train_labels, test_labels = train_test_split(X, Y, test_size=0.2, random_state=10)

class_names = ['Neutral', 'Anger', 'Contempt', 'Disgust', 'Fear', 'Happy', 'Sadness', 'Surprise']

model = models.Sequential()
model.add(layers.Conv2D(490, (3, 3), activation="relu", input_shape=(490, 640, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(100, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(100, (3, 3), activation='relu'))

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 488, 638, 490)     4900      
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 244, 319, 490)     0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 242, 317, 100)     441100    
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 121, 158, 100)     0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 119, 156, 100)     90100     
=================================================================
Total params: 536,100
Trainable params: 536,100
Non-trainable params: 0

此时，我的模型的摘要如下所示：

from sklearn.model_selection import train_test_split
import tensorflow as tf
from tensorflow.keras import layers, models

# Assigning values to split the dataset into training and test data.
X = data[0]
Y = data[1]

# Allocate 20% of the dataset to be used as test data
train_images, test_images, train_labels, test_labels = train_test_split(X, Y, test_size=0.2, random_state=10)

class_names = ['Neutral', 'Anger', 'Contempt', 'Disgust', 'Fear', 'Happy', 'Sadness', 'Surprise']

model = models.Sequential()
model.add(layers.Conv2D(490, (3, 3), activation="relu", input_shape=(490, 640, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(100, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(100, (3, 3), activation='relu'))

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 488, 638, 490)     4900      
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 244, 319, 490)     0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 242, 317, 100)     441100    
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 121, 158, 100)     0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 119, 156, 100)     90100     
=================================================================
Total params: 536,100
Trainable params: 536,100
Non-trainable params: 0

然后我有以下几点：

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(8, activation='softmax'))

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

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

问题是，当我尝试运行此操作时，会出现以下错误：

ValueError:检查输入时出错：预期conv2d\u 1\u输入有4个维度，但得到了形状为（261，1）的数组。

我必须指出，

train\u images.shape

返回值

（261，）

，而

train\u images[0]。shape

返回

（490640，1）

---

这在理论上对我来说是有意义的，但我仍然不知道如何正确地为我的CNN塑造我的数据，以及如何检测我是否做了任何其他错误。

问题是，你的一些图像大小不一样。您可以轻松验证，例如：

shapes = list()
for i in X:
    shapes.append(i.shape)

sorted_shapes = np.sort(np.array(shapes).sum(axis=1))
assert sorted_shapes[0] == sorted_shapes[1], 'Not all pictures have equal size.'

---

如果这一行出现错误，您将不得不裁剪/调整它们的大小。

问题是您的一些图像大小不相等。您可以轻松验证，例如：

shapes = list()
for i in X:
    shapes.append(i.shape)

sorted_shapes = np.sort(np.array(shapes).sum(axis=1))
assert sorted_shapes[0] == sorted_shapes[1], 'Not all pictures have equal size.'

---

如果此行出现错误，您必须裁剪/调整它们的大小。

您的输入数据是什么类型的？（带有

类型（列车图像）

）。另外，当您使用以下命令将数据转换为numpy数组时是否会出错：

numpy.array（train\u images）

？如果您首先将X和Y转换为numpy数组，然后打印

train\u images.shape

？@Nakor当我运行

type（train\u images）

，我会得到

pandas.core.series

。我尝试将其转换为numpy数组，但仍然收到相同的VALUERROR消息。@RichardX当我尝试转换时，我得到了

（261，）

Ok，以及

numpy.array（train\u images.values）.shape的输出是什么？您是否也可以显示您在执行
train\u images.head（）
时得到的信息？您的输入数据是什么类型的？（带有
类型（列车图像）
）。另外，当您使用以下命令将数据转换为numpy数组时是否会出错：
numpy.array（train\u images）
？如果您首先将X和Y转换为numpy数组，然后打印
train\u images.shape
？@Nakor当我运行
type（train\u images）
，我会得到
pandas.core.series
。我尝试将其转换为numpy数组，但仍然收到相同的VALUERROR消息。@RichardX当我尝试转换时，我得到了
（261，）
Ok，以及
numpy.array（train\u images.values）.shape的输出是什么？你能不能也展示一下你在训练images.head（）时得到了什么？没错，但即使如此，我的数据集中的前10张图像都是相同大小的（490x640）。当我将训练集和测试集限制为这些时，您的代码不会出现任何错误。但我仍然无法拟合我的模型，因为我得到了以下错误：
检查输入时出错：预期conv2d_9_输入有4个维度，但得到了形状为（8，1）的数组
这是真的，但即使如此，数据集中的前10个图像都是相同大小的（490x640）。当我将训练集和测试集限制为这些时，您的代码不会出现任何错误。但我仍然无法拟合我的模型，因为我得到了以下错误：
检查输入时出错：预期conv2d_9_输入有4维，但得到了形状为（8，1）的数组