此代码中的Python ValueError

回溯（最近一次呼叫最后一次）：

文件“project.py”，第35行，在
cells=[np.hsplit（行，100）表示np.vsplit（img，50）中的行]
vsplit中的文件“/usr/local/lib/python2.7/site packages/numpy/lib/shape_base.py”，第623行
返回拆分（ary、索引或部分，0）
文件“/usr/local/lib/python2.7/site packages/numpy/lib/shape_base.py”，第508行，拆分
'数组拆分不会导致等分'）
ValueError:数组拆分不会导致等分

代码

导入cv2
将numpy作为np导入
SZ=20
料仓n=16#料仓数量
svm_参数=dict（内核类型=cv2.svm_线性，
svm_类型=cv2.svm_C_SVC，
C=2.67，γ=5.383）
仿射标志=cv2.扭曲逆映射| cv2.内部线性
def deskew（img）：
m=cv2.力矩（img）
如果abs（m['mu02']）小于1e-2：
返回img.copy（）
歪斜=m['mu11']/m['mu02']
M=np.float32（[[1，skew，-0.5*SZ*skew]，[0，1，0]]
img=cv2.warpAffine（img，M，（SZ，SZ），flags=affine_flags）
返回img
def hog（img）：
gx=cv2.Sobel（img，cv2.CV_32F，1，0）
gy=cv2.Sobel（img，cv2.CV_32F，0，1）
mag，ang=cv2.卡特波尔（gx，gy）
bin=np.int32（bin_n*ang/（2*np.pi））#量化（0…16）中的bin值
bin_单元格=存储箱[：10，：10]、存储箱[10:，：10]、存储箱[：10,10:]，存储箱[10:，10:]
mag_单元=mag[：10，：10]，mag[10:，：10]，mag[：10,10:]，mag[10:，10:]
hists=[np.bincount（b.ravel（），m.ravel（），bin_n）表示zip中的b，m（bin_单元格，mag_单元格）]
hist=np.hstack（hists）#hist是一个64位向量
返回历史记录
img=cv2.imread（'digits.png'，0）
cells=[np.hsplit（行，100）表示np.vsplit（img，50）中的行]
#前半部分是trainData，其余部分是testData
列单元=[i[：50]表示单元中的i]
test_cells=[i[50:]表示单元中的i]
######现在训练########################
deskewed=[列单元中行的映射（deskew，行）]
hogdata=[Deskweed中行的映射（hog，row]
trainData=np.float32（hogdata）。重塑（-1,64）
responses=np.float32（np.repeat（np.arange（10），250）[：，np.newaxis]）
svm=cv2.svm（）
训练（训练数据、响应、参数=svm_参数）
save（'svm_data.dat'））
######正在测试########################
deskewed=[测试单元中行的映射（deskew，行）]
hogdata=[Deskweed中行的映射（hog，row]
testData=np.float32（hogdata）。重塑（-1，bin_n*4）
结果=支持向量机。预测所有（测试数据）
#######检查准确性########################
掩码=结果==响应
正确=np.计数非零（掩码）
打印正确*100.0/result.size

您可能试图将一个向量拆分为几行。但是，请确保t向量的元素数是要将其拆分成的行数的倍数。例如，不能将（5，1）向量拆分为两行。在这种情况下，每个

行的大小必须是100的倍数。
从错误和搜索代码（对于'split'）中必须出现错误

[np.hsplit(row,100) for row in np.vsplit(img,50)]

img的形状是什么？错误表明它（
img.shape[0]
）不是
50的倍数
 欢迎来到SO。你必须显示你的代码，这样我们才能在看不到是什么原因导致错误时尽力帮助你
import cv2
import numpy as np

SZ=20
bin_n = 16 # Number of bins

svm_params = dict( kernel_type = cv2.SVM_LINEAR,
                    svm_type = cv2.SVM_C_SVC,
                    C=2.67, gamma=5.383 )

affine_flags = cv2.WARP_INVERSE_MAP|cv2.INTER_LINEAR

def deskew(img):
    m = cv2.moments(img)
    if abs(m['mu02']) < 1e-2:
        return img.copy()
    skew = m['mu11']/m['mu02']
    M = np.float32([[1, skew, -0.5*SZ*skew], [0, 1, 0]])
    img = cv2.warpAffine(img,M,(SZ, SZ),flags=affine_flags)
    return img

def hog(img):
    gx = cv2.Sobel(img, cv2.CV_32F, 1, 0)
    gy = cv2.Sobel(img, cv2.CV_32F, 0, 1)
    mag, ang = cv2.cartToPolar(gx, gy)
    bins = np.int32(bin_n*ang/(2*np.pi))    # quantizing binvalues in (0...16)
    bin_cells = bins[:10,:10], bins[10:,:10], bins[:10,10:], bins[10:,10:]
    mag_cells = mag[:10,:10], mag[10:,:10], mag[:10,10:], mag[10:,10:]
    hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells, mag_cells)]
    hist = np.hstack(hists)     # hist is a 64 bit vector
    return hist

img = cv2.imread('digits.png',0)

cells = [np.hsplit(row,100) for row in np.vsplit(img,50)]

# First half is trainData, remaining is testData
train_cells = [ i[:50] for i in cells ]
test_cells = [ i[50:] for i in cells]

######     Now training      ########################

deskewed = [map(deskew,row) for row in train_cells]
hogdata = [map(hog,row) for row in deskewed]
trainData = np.float32(hogdata).reshape(-1,64)
responses = np.float32(np.repeat(np.arange(10),250)[:,np.newaxis])

svm = cv2.SVM()
svm.train(trainData,responses, params=svm_params)
svm.save('svm_data.dat')

######     Now testing      ########################

deskewed = [map(deskew,row) for row in test_cells]
hogdata = [map(hog,row) for row in deskewed]
testData = np.float32(hogdata).reshape(-1,bin_n*4)
result = svm.predict_all(testData)

#######   Check Accuracy   ########################
mask = result==responses
correct = np.count_nonzero(mask)
print correct*100.0/result.size

[np.hsplit(row,100) for row in np.vsplit(img,50)]