Python 获取与输入维度相关的多输入Keras模型的错误

我有一个多输入Keras模型。这里输入：

[<tf.Tensor 'input_1:0' shape=(None, 256, 256, 3) dtype=float32>,
 <tf.Tensor 'input_2:0' shape=(None, 256, 256, 3) dtype=float32>,
 <tf.Tensor 'input_3:0' shape=(None, 256, 256, 3) dtype=float32>,
 <tf.Tensor 'input_4:0' shape=(None, 256, 256, 3) dtype=float32>]

---

培训数据形状如下所示：

(4, 422, 256, 256, 3)
4 = number of inputs (consist of appended arrays together).
422 = number of training images in each input.
256, 256, 3 = shape of the images

调用

fit

功能时：

model.fit(train_x, train_y, validation_split=0.20, epochs=5, batch_size=3)

发生以下错误：

ValueError:层conv1\u pad\u 0的输入0与层不兼容：预期ndim=4，发现ndim=5。收到完整形状：[3，422，256，256，3]

我尝试了中给出的解决方案，但基数不匹配

ValueError:数据基数不明确：

我试着像贝娄一样传递列车数据，结果成功了：

model.fit([train_x[0], train_x[1], train_x[2], train_x[3]], train_y, validation_split=0.20, epochs=5, batch_size=3)

现在，如果我想将我的模型扩展到20个输入，那么上面的代码行将是有问题的

更新：

该模型基于预训练的ResNet50，所有输入均为不带顶层的ResNet50，并从以下三层开始：

input_1_0 (InputLayer)        [(None, 256, 256, 3) 0  
conv1_pad_0 (ZeroPadding2D)   (None, 262, 262, 3)  0           input_1_0[0][0]
conv1_conv_0 (Conv2D)         (None, 128, 128, 64) 9472        conv1_pad_0[0][0]   

培训/测试模型的数据处理如下：

for row in np.array(tmp_data):
        row = images_preprocessing(row) # Depends on the model used
        train_x, test_x, train_y, test_y = split_data(row, target) # Here the train_test_split is used
        
        train_X.append(train_x)
        test_X.append(test_x)
        train_Y.append(train_y)
        test_Y.append(test_y)

试一试

---

它将生成一个张量列表，其中包含沿维度0拆分的训练数据。然后使用第二种解决方案，将列表输入到

fit（）

你的人际网络的前两层是什么？@ChrisSchmitz我已经按照你的要求更新了这篇文章。你能展示一下定义它们的代码吗？另外，您的培训数据的哪个维度是示例总数/批量大小？@ChrisSchmitz I更新了帖子。您所说的示例数是什么意思？培训数据形状如下：（4422、256、256、3）。4和422在您的输入中代表什么？预训练ResNet50的输入应该有4d。谢谢你的回答，它起作用了。如果可能的话，您能解释一下为什么这样做有效，而不是简单的数组列表吗？另外，我在一个循环中训练多个模型，第一个执行得很好，但第二个，它生成了以下错误：

tensorflow.python.framework.errors\u impl.InternalError:无法从/job:localhost/replica:0/task:0/device:CPU:0复制输入张量到/job:localhost/replica:0/task:0/device:GPU:0以运行Split:Dst-tensor，但未初始化。[Op:Split]name:Split

不客气。我刚刚展示了一种分割输入数据的方法。np数组的列表可能也可以。您的另一个错误可能是内存问题：我正在努力解决另一个问题，您能看看我以前的帖子吗：

for row in np.array(tmp_data):
        row = images_preprocessing(row) # Depends on the model used
        train_x, test_x, train_y, test_y = split_data(row, target) # Here the train_test_split is used
        
        train_X.append(train_x)
        test_X.append(test_x)
        train_Y.append(train_y)
        test_Y.append(test_y)

train_x_list = [tf.squeeze(tx) for tx in tf.split(train_x, num_or_size_splits=train_x.shape[0], axis=0)]