Python 如何确定CNN Keras中密集层的输入尺寸？

我尝试使用keras建立一个人脸识别模型。我有一些主题名称和特征的图片（不太适合深入学习，我知道，但我很快就会得到更多）

但是，当我尝试拟合数据时，出现了以下错误：

ValueError：检查目标时出错：预期稠密_2有2个维度，但得到了形状为（3，243，320，3）的数组

我尝试将损失函数从

sparse\u categorical\u crossentropy

更改为

categorical\u crossentropy

使用keras的“to_categorical”功能进行热编码标签

但这行不通

下面是我如何用图片和标签来填充我的列表

###### fill with images
for i in range(0,num_classes):
k=0
for j in range(len(features)):
    k+=1
    if(i < 10):
        sub = "subject0"+str(i)+"."+features[j]+".png"
    else:
        sub = "subject"+str(i)+"."+features[j]+".png"
    imgfile = Image.open(sub)
    img = np.array(imgfile)
    #print(img.shape)
    #print(type(img))
    if(k != 3):
        train.append(img)
        train_labels.append(i)
    else :
        test.append(img)
        test_labels.append(i)

########## train 
train = np.asarray(train)
train_labels = np.asarray(train_labels)

########## test 
test = np.asarray(test)
test_labels = np.asarray(test_labels)

我建立了一个简单的CNN模型

######### build cnn models

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), padding='same', activation='relu', input_shape=(img_rows,img_cols,1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))


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

batch_size = 128
epochs = 10

model.fit(train, test, validation_data=(train_labels, test_labels), batch_size=batch_size, epochs=epochs)

我认为问题在于我的模型中的一个层的输出。我试过移动扁平机，但没用

---

谢谢你的帮助

这个

test=to\u category（test，num\u classes）

应该是

train\u labels=…

，而您的

model.fit（…）

调用应该是

model.fit（train，train\u labels）

---

这些是我能找到的最显著的错误。

这个

test=to\u category（test，num\u classes）

应该是

train\u labels=…

，而你的

model.fit（…）

调用应该是

model.fit（train，train\u labels）

这些是我能找到的最显著的错误

######### build cnn models

model = Sequential()
model.add(Conv2D(32, kernel_size=(5, 5), padding='same', activation='relu', input_shape=(img_rows,img_cols,1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))


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

batch_size = 128
epochs = 10

model.fit(train, test, validation_data=(train_labels, test_labels), batch_size=batch_size, epochs=epochs)