Python &引用；顺序模型中的第一层必须获得“inputShape”或“batchInputShape”参数；使用TensorFlow.js加载Keras模型时

我使用（版本2.2.4）培训了以下模型：

#导入。。。
模型=顺序（）
添加（Conv2D（filters=64，kernel\u size=5，data\u format=“channels\u last”，activation=“relu”））
添加（BatchNormalization（））
model.add（MaxPooling2D（data\u format=“channels\u last”））
添加（Conv2D（filters=32，kernel\u size=3，data\u format=“channels\u last”，activation=“relu”））
添加（BatchNormalization（））
model.add（MaxPooling2D（data\u format=“channels\u last”））
model.add（展平（data\u format=“channels\u last”））
model.add（密集（单位=256，activation=“relu”））
添加（密集（单位=128，激活=“relu”））
添加（密集（单位=32，激活=“relu”））
添加（密集（单位=8，激活=“softmax”））
#训练。。。
模型保存（“模型h5”）

输入是形状的28 x 28灰度图像

（28,28,1）

我使用转换了模型，现在我想使用（版本1.1.0）将其加载到我的网站中：

tf.loadLayersModel（'./model/model.json'）

这会产生以下错误：

The first layer in a Sequential model must get an `inputShape` or `batchInputShape` argument.
    at new e (errors.ts:48)
    at e.add (models.ts:440)
    at e.fromConfig (models.ts:1020)
    at vp (generic_utils.ts:277)
    at nd (serialization.ts:31)
    at models.ts:299
    at common.ts:14
    at Object.next (common.ts:14)
    at o (common.ts:14)

---

如何在不必重新训练模型的情况下修复此错误？

尝试将您的神经网络调整为此格式：

input_img = Input(batch_shape=(None, 28,28,1))
layer1=Conv2D(filters=64, kernel_size=5, data_format="channels_last", activation="relu")(input_img)
layer2=BatchNormalization()(layer1)
.
.
.
final_layer=Dense(units=8, activation="softmax")(previous_layer)

。。。等等最后：

model = Model(inputs = input_img, outputs = final_layer)

---

尝试将您的神经网络调整为以下格式：

input_img = Input(batch_shape=(None, 28,28,1))
layer1=Conv2D(filters=64, kernel_size=5, data_format="channels_last", activation="relu")(input_img)
layer2=BatchNormalization()(layer1)
.
.
.
final_layer=Dense(units=8, activation="softmax")(previous_layer)

。。。等等最后：

model = Model(inputs = input_img, outputs = final_layer)

---

必须在keras模型的Conv2D层中指定输入形状

# imports ...
model = Sequential()
model.add(Conv2D(input_shape=(28, 28, 1), filters=64, kernel_size=5, data_format="channels_last", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPooling2D(data_format="channels_last"))
model.add(Conv2D(filters=32, kernel_size=3, data_format="channels_last", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPooling2D(data_format="channels_last"))
model.add(Flatten(data_format="channels_last"))
model.add(Dense(units=256, activation="relu"))
model.add(Dense(units=128, activation="relu"))
model.add(Dense(units=32, activation="relu"))
model.add(Dense(units=8, activation="softmax"))
# training ...
model.save("model.h5")

---

必须在keras模型的Conv2D层中指定输入形状

# imports ...
model = Sequential()
model.add(Conv2D(input_shape=(28, 28, 1), filters=64, kernel_size=5, data_format="channels_last", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPooling2D(data_format="channels_last"))
model.add(Conv2D(filters=32, kernel_size=3, data_format="channels_last", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPooling2D(data_format="channels_last"))
model.add(Flatten(data_format="channels_last"))
model.add(Dense(units=256, activation="relu"))
model.add(Dense(units=128, activation="relu"))
model.add(Dense(units=32, activation="relu"))
model.add(Dense(units=8, activation="softmax"))
# training ...
model.save("model.h5")

---

最好的方法是改变你的keras模型并进行再培训

无论如何，如果无法重新训练网络，可以手动编辑

model.json

文件

您需要在

model.json

文件中找到输入层并添加

  "config": {
    ...
    "batch_input_shape": [
      null,
      28,
      28,
      1
    ]
    ...
  }

---

最好的方法是改变你的keras模型并进行再培训

无论如何，如果无法重新训练网络，可以手动编辑

model.json

文件

您需要在

model.json

文件中找到输入层并添加

  "config": {
    ...
    "batch_input_shape": [
      null,
      28,
      28,
      1
    ]
    ...
  }

---

如果不定义输入，我认为不可能训练您的模型shape@Primusa训练成功了，正如您在上图中所看到的，正确的输入形状得到了正确的派生。请尝试运行您的模型定义代码，并在某个虚拟机上实际编译/训练它data@Primusa我做到了，而且成功了。损失减少，并创建了model.h5文件。如果它不起作用，我就无法转换模型。也许可以尝试使用

model保存权重。保存权重

，然后在定义了输入形状的架构上执行

model.load\u权重

，然后保存模型并转换我认为如果不定义输入，就不可能训练模型shape@Primusa训练成功了，正如您在上图中所看到的，正确的输入形状得到了正确的派生。请尝试运行您的模型定义代码，并在某个虚拟机上实际编译/训练它data@Primusa我做到了，它成功了。损失减少，并创建了model.h5文件。如果它不起作用，我将无法转换模型。也许可以尝试使用

model保存权重。保存权重
，然后执行
model。在定义了输入形状的架构上加载权重，然后保存该模型并转换。你能详细说明一下吗，我不太清楚？我必须再训练一次模特吗？这不能在JavaScript代码中解决吗？您必须调整python代码，然后将模型转换为TensorFlow.js您能详细说明一下吗，我不太清楚？我必须再训练一次模特吗？这不能在JavaScript代码中解决吗？您必须调整python代码，然后将模型转换为TensorFlow.jsI。我知道我首先应该这样做。但问题是我能否在事后解决这个问题，因为我不想再次训练这个模型。但现在一切都结束了，因为我不得不因为过度装配而改变模型的架构。所以我不再寻找解决方案了。我知道我本来应该这样做的。但问题是我能否在事后解决这个问题，因为我不想再次训练这个模型。但现在一切都结束了，因为我不得不因为过度装配而改变模型的架构。所以我不再寻找解决方案了。