Python 如何将输入传递到Keras中的2D Conv？

我用librosa把声音转换成了频谱图。spectrogram的形状是（257356），我把它改成了（257356，1）

我创建了一个模型

from keras.models import Sequential
from keras.layers import Dense, Conv2D, Flatten
model = Sequential()
model.add(Conv2D(64, kernel_size=3, activation='relu', input_shape=A.shape))
model.add(Flatten())
model.add(Dense(1, activation='softmax'))

在拟合模型时，会产生如下误差

model.fit(A,validation_data=(A2), epochs=3)

其中A2是另一个具有以下尺寸的光谱图

ValueError: Error when checking input: expected conv2d_3_input to have 4 dimensions, but got array with shape (257, 356, 1)

模型摘要

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_24 (Conv2D)           (None, 255, 354, 64)      640       
_________________________________________________________________
conv2d_25 (Conv2D)           (None, 253, 352, 32)      18464     
_________________________________________________________________
flatten_11 (Flatten)         (None, 2849792)           0         
_________________________________________________________________
dense_11 (Dense)             (None, 10)                28497930  
=================================================================
Total params: 28,517,034
Trainable params: 28,517,034
Non-trainable params: 0

且[0]的形状为

A[0].shape = (356, 1)

---

编辑：这是我的工作代码：

from keras.models import Sequential
from keras.layers import Dense, Conv2D, Flatten
import numpy as np

A = np.zeros((1,257,356,1))     # Only for illustration
A2 = np.zeros((1,1))     # Only for illustration

model = Sequential()
model.add(Conv2D(64, kernel_size=(3,3), activation='relu', input_shape=A.shape[1:]))     # input_shape ==> (257,356,1)
model.add(Flatten())
model.add(Dense(1, activation='softmax'))

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

model.fit(A, A2, validation_data = (A, A2), epochs=3)

这是三个时代的输出：

Train on 1 samples, validate on 1 samples
Epoch 1/3
1/1 [==============================] - 0s 250ms/step - loss: 0.0000e+00 - accuracy: 1.0000 - val_loss: 0.0000e+00 - val_accuracy: 1.0000
Epoch 2/3
1/1 [==============================] - 0s 141ms/step - loss: 0.0000e+00 - accuracy: 1.0000 - val_loss: 0.0000e+00 - val_accuracy: 1.0000
Epoch 3/3
1/1 [==============================] - 0s 156ms/step - loss: 0.0000e+00 - accuracy: 1.0000 - val_loss: 0.0000e+00 - val_accuracy: 1.0000

<keras.callbacks.callbacks.History at 0x1d508dbb708>

对1个样本进行训练，对1个样本进行验证
纪元1/3
1/1[======================================================-0s 250ms/步-损耗：0.0000e+00-精度：1.0000-val\u损耗：0.0000e+00-val\u精度：1.0000
纪元2/3
1/1[==================================================================-0s141ms/步-损耗：0.0000e+00-精度：1.0000-val\u损耗：0.0000e+00-val\u精度：1.0000
纪元3/3
1/1[=========================================================-0s 156ms/步-损耗：0.0000e+00-精度：1.0000-val\u损耗：0.0000e+00-val\u精度：1.0000

您的模型中缺少批量大小

二维卷积的输入形状为

（批处理、空间1、空间2、通道）

我不知道你的数据结构，但你似乎没有一批？（如果这是真的，您需要创建大小为1的批处理维度，但这根本无法很好地训练，您需要大量的数据，而不是一个示例）

因此，

A.shape

必须是

（1257356，1）

，第一个是批次大小，最后一个是通道数。另外两个数字是“图像”的空间维度

---

并且您的

input\u-shape

不能包含批量大小：

input\u-shape=（257356,1）

请注意上类似于convnet的VGG示例。 与前面提到的@Daniel一样，

输入形状必须定义为
的元组（示例的数量、高度、宽度、通道）

作为参考，假设您有500个样本，您的输入数据应该如下所示：

x_train = np.random.random((500, 257, 356, 1))
print(x_train.shape)
(500, 257, 356, 1)

我已经编辑了您共享的代码。但这是行不通的。并生成提供的错误。编辑：我已经更正并上传了工作代码。希望这有帮助！：）我尝试将您的代码与我的输入光谱图一起使用，但在拟合模型值时会产生错误错误错误：检查输入时出错：预期conv2d_29_输入为4维，但得到了具有形状的数组（257、356、1）为什么您将A2指定为带零的1D，为什么不提供具有3维的随机数字，因为光谱图的形状是二维的。@SoProgram，似乎您的光谱图输入
A
仍然是三维的，您能打印并检查A的尺寸吗？它需要是4-D。只是好奇，在
model.fit
中为什么没有传递
y
值？你能显示
model.summary（）
，
A.shape
，
A[0]。shape
值吗？Moller通过A=S添加批量大小[None，：，：]给出以下错误。ValueError:输入形状为：[？、1257356]、[3,3356,64]的“conv2d_29/卷积”（op:“conv2d”）从1中减去3导致负尺寸大小.我已经使用了您建议的方法，但模型不会超过3维值，在拟合过程中，如果出于测试目的通过3维值，则会显示尺寸误差@Daniel MollerDone检查了它，但得到了以下错误值error:检查目标时出错：预期稠密_1具有形状（1），但得到了具有形状（874，）的数组