Python ata格式）或（32224224）（使用“通道优先”数据格式）。它应该有3个输入通道，宽度和高度不应小于197。例如，（200，200，3）将是一个有效值

我的猜测是，由于您将

include_top

指定为

False

，网络定义将输入填充为比224x224更大的形状，因此，当您提取特征时，您最终得到的是特征映射，而不是特征向量（这是导致错误的原因）

只需按以下方式指定并输入_形状：

return ResNet50(weights='imagenet',
                include_top=False,
                input_shape=(224, 224, 3)).predict(preprocess_input(tensor))

的文档介绍了构造函数参数

input\u shape

（重点是我的）：

输入形状：可选形状元组，仅当include\u top为False时指定（否则输入形状必须为（224，224，3）（使用“channels\u last”数据格式）或（3，224，224）（使用“channels\u first”数据格式）。它应该正好有3个输入通道，宽度和高度不应小于197。例如。（200，200，3）将是一个有效值

我的猜测是，由于您将

include_top

指定为

False

，网络定义将输入填充为比224x224更大的形状，因此，当您提取特征时，您最终得到的是特征映射，而不是特征向量（这是导致错误的原因）

只需按以下方式指定并输入_形状：

return ResNet50(weights='imagenet',
                include_top=False,
                input_shape=(224, 224, 3)).predict(preprocess_input(tensor))

多亏了的帮助，我解决了这个问题。问题确实出在

ResNet50

的

pool

层上

上面脚本中的以下代码：

return ResNet50(weights='imagenet',
                include_top=False).predict(preprocess_input(tensor))

返回一个

（1,7,7,2048）

（当然，我不完全理解为什么）。为了避免这个问题，我在参数

pooling=“avg”

中添加了如下内容：

return ResNet50(weights='imagenet',
                include_top=False,
                pooling="avg").predict(preprocess_input(tensor))

相反，它返回一个

（12048）

（同样，我不知道为什么）

但是，模型仍然需要一个4-D形状。为了解决这个问题，我在我的

dog\u breed（）

函数中添加了以下代码：

print(bottleneck_feature.shape) #returns (1, 2048)
bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
print(bottleneck_feature.shape) #returns (1, 1, 1, 1, 2048) - yes a 5D shape, not 4.

这将返回一个

（1，1，1，1，2048）

。出于某种原因，当我只添加了两个维度时，模型仍然抱怨它是一个3D形状，但当我添加了第三个维度时，它停止了（这很奇怪，我想了解更多关于为什么会这样）

因此，总的来说，我的

dog\u breed（）

函数来自：

def dog_breed(img_path):
    #extract bottleneck features
    bottleneck_feature = extract_Resnet50(path_to_tensor(img_path))
    #obtain predicted vector
    predicted_vector = Resnet50_model.predict(bottleneck_feature) #shape error occurs here
    #return dog breed that is predicted by the model
    return dog_names[np.argmax(predicted_vector)]

为此：

def dog_breed(img_path):
    #extract bottleneck features
    bottleneck_feature = extract_Resnet50(path_to_tensor(img_path))
    print(bottleneck_feature.shape) #returns (1, 2048)
    bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
    bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
    bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
    print(bottleneck_feature.shape) #returns (1, 1, 1, 1, 2048) - yes a 5D shape, not 4.
    #obtain predicted vector
    predicted_vector = Resnet50_model.predict(bottleneck_feature) #shape error occurs here
    #return dog breed that is predicted by the model
    return dog_names[np.argmax(predicted_vector)]

在确保参数

pooling=“avg”

添加到我对

ResNet50

的调用时，多亏了的帮助，我解决了这个问题。问题确实出在

ResNet50

的

池

层上

上面脚本中的以下代码：

return ResNet50(weights='imagenet',
                include_top=False).predict(preprocess_input(tensor))

返回一个

（1,7,7,2048）

（当然，我不完全理解为什么）。为了避免这个问题，我在参数

pooling=“avg”

中添加了如下内容：

return ResNet50(weights='imagenet',
                include_top=False,
                pooling="avg").predict(preprocess_input(tensor))

相反，它返回一个

（12048）

（同样，我不知道为什么）

但是，模型仍然需要一个4-D形状。为了解决这个问题，我在我的

dog\u breed（）

函数中添加了以下代码：

print(bottleneck_feature.shape) #returns (1, 2048)
bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
print(bottleneck_feature.shape) #returns (1, 1, 1, 1, 2048) - yes a 5D shape, not 4.

这将返回一个

（1，1，1，1，2048）

。出于某种原因，当我只添加了两个维度时，模型仍然抱怨它是一个3D形状，但当我添加了第三个维度时，它停止了（这很奇怪，我想了解更多关于为什么会这样）

因此，总的来说，我的

dog\u breed（）

函数来自：

def dog_breed(img_path):
    #extract bottleneck features
    bottleneck_feature = extract_Resnet50(path_to_tensor(img_path))
    #obtain predicted vector
    predicted_vector = Resnet50_model.predict(bottleneck_feature) #shape error occurs here
    #return dog breed that is predicted by the model
    return dog_names[np.argmax(predicted_vector)]

为此：

def dog_breed(img_path):
    #extract bottleneck features
    bottleneck_feature = extract_Resnet50(path_to_tensor(img_path))
    print(bottleneck_feature.shape) #returns (1, 2048)
    bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
    bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
    bottleneck_feature = np.expand_dims(bottleneck_feature, axis=0)
    print(bottleneck_feature.shape) #returns (1, 1, 1, 1, 2048) - yes a 5D shape, not 4.
    #obtain predicted vector
    predicted_vector = Resnet50_model.predict(bottleneck_feature) #shape error occurs here
    #return dog breed that is predicted by the model
    return dog_names[np.argmax(predicted_vector)]

---

同时确保参数

pooling=“avg”

被添加到我对

ResNet50

的调用中。不幸的是，仍然是相同的错误！这是不幸的。然而，问题应该在输入+特征提取部分，因为很明显，平均池层的预期输入比池层的预期输入大。池层可能就是其中之一r本身不是必需的。在文档中，检查另一个可选参数

pooling

，并尝试使用pooling=None，检查在这种情况下extacted特性的输出形状实际上，当包含

input\u shape

时，错误似乎发生了变化。检查输入时，错误现在是

错误：预期的input_3具有形状（244，244，3），但获得具有形状（224，224，3）的数组

。有什么想法吗？我已经想出来了！我将创建一个答案。不幸的是，这没有什么区别，仍然是相同的错误！这是不幸的。但是，问题应该在输入+特征提取部分，因为很明显，平均池层的预期输入比池层的预期输入大。池可能就是其中之一层本身，这不是必需的。在文档中，检查其他可选参数

pooling

，并尝试使用pooling=None，检查在这种情况下extacted特性的输出形状实际上，当包含

input\u shape

时，错误似乎发生了变化。检查输入时，错误现在是

错误：预期输入_3使其具有形状（244，244，3），但获得具有形状（224，224，3）的数组

。有什么想法吗？我已经想出来了！我会给出一个答案。我喜欢这个解决方案，但任何人都可以提供更多关于更改原因和维度原因的信息？我也有同样的问题，但因为我的维度有4个，所以我删除了一个

瓶颈特征=np。展开维度（瓶颈特征，轴=0）

最后一段代码中的一行，效果很好！谢谢，这真的很有帮助！为了稍微清理一下方法，我最后重写了我的代码：

predicted_vector=Resnet50_model.predict（np.expand_dims（np.expand_dims（瓶颈特征，axis=0，axis=0））

我喜欢这个解决方案，但任何人都可以提供更多关于更改原因和维度原因的信息？我也有同样的问题，但因为我的有4个维度，所以我删除了一个

---

• [tensorflow]相关文章推荐

---

• 随机文章推荐

• Algorithm 什么是尾部调用优化？ algorithmrecursionlanguage-agnostic
• Algorithm 算法速度阶数 algorithmperformancebig-o
• Algorithm 给定数集和区间的分布算法 algorithm
• Algorithm 如何使用快速排序获得n个奇数元素的中值？ algorithmsorting
• Algorithm 从头开始创建一个简单的GUI algorithm
• Algorithm 如何使用生成1到5的函数生成1到7之间的随机数 algorithmmathrandom
• Algorithm 如何验证一个单词是否有有效的音节？ algorithm
• Algorithm 计算最大独立集算法的正确性 algorithmgraph
• Algorithm 查找数组是否是O（n）时间和O（1）空间中的序列 algorithmlanguage-agnostic
• Algorithm 用指数平滑和不规则事件估计事件发生率 algorithm
• Algorithm 生成B树/2-3-4树时的插入顺序 algorithmtree
• Algorithm 无向图中的三角形计数 algorithmgraphtime-complexity
• Algorithm 分词递归解的时间复杂度？ algorithmrecursionbig-otime-complexity
• Algorithm 计划-将作业分配给效率最高的员工 algorithm
• Algorithm Matlab：快速瞬态波的信号恢复 algorithmmatlab
• Algorithm 具有不可变状态的二维数组处理 algorithmscala
• Algorithm 递归在分治极大集算法中是如何工作的？ algorithmrecursion
• Algorithm 如何检测此图片中的相似对象？ algorithmimage-processing
• Algorithm 为什么八字树的摊销分析只关注八字操作而不考虑向下搜索 algorithmtime-complexity
• Algorithm 处理圆形群的算法 algorithm