ValueError：检查输入时出错：预期conv2d_input有4个维度，但有形状的数组（无，1）

Question

我完成了对我的模型的培训，该模型由20个类组成，精度达到0.9993，目前正在进行测试。我正在学习本教程，但我在

prediction = model.predict(['test1.jpg'])

培训数据定义为：

for features, label in training_data:
    x.append(features)
    y.append(label)

x = np.array(x).reshape(-1, IMG_SIZE, IMG_SIZE,1)

这就是我对cnn的定义

x = pickle.load(open("x.pickle", "rb" ))
y = pickle.load(open("y.pickle", "rb"))

x = x/255.0

model = Sequential()
model.add(Conv2D(64,(3,3), input_shape = x.shape[1:IMG_SIZE]))
model.add(Activation("relu"))
model.add(MaxPool2D(pool_size=(2,2)))

model.add(Conv2D(64,(3,3), input_shape  = x.shape[1:IMG_SIZE]))
model.add(Activation("relu"))
model.add(MaxPool2D(pool_size=(2,2)))

model.add(Flatten())
model.add(Dense(64))

model.add(Dense(20))
model.add(Activation("sigmoid"))

这里也是我对我的模型的总结

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 222, 222, 64)      640       
_________________________________________________________________
activation (Activation)      (None, 222, 222, 64)      0         
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 111, 111, 64)      0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 109, 109, 64)      36928     
_________________________________________________________________
activation_1 (Activation)    (None, 109, 109, 64)      0         
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 54, 54, 64)        0         
_________________________________________________________________
flatten (Flatten)            (None, 186624)            0         
_________________________________________________________________
dense (Dense)                (None, 64)                11944000  
_________________________________________________________________
dense_1 (Dense)              (None, 20)                1300      
_________________________________________________________________
activation_2 (Activation)    (None, 20)                0         
=================================================================
Total params: 11,982,868
Trainable params: 11,982,868
Non-trainable params: 0
_________________________________________________________________

我得到的错误是

---------------------------------------------------------------------------中的ValueError回溯（最近一次调用）----

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\keras\引擎\training.py预测（自我，x，batch_size，冗长，步骤，回调，max_queue_size，工人，use_multiprocessing）907max_queue_size=max_queue_size，908工人=工人，-

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2。py in predict（self、model、x、批量大小、详细程度、步骤、回调、**kwargs）460返回self_模型迭代（461模型，ModeKeys.PREDICT，x=x，批大小=批大小，详细=详细--

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2。py in_model_迭代（self、model、mode、x、y、批量大小、详细程度、样本权重、步骤、回调、**kwargs）442 mode=mode，443 training_context=training_context--

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2。py以批处理日志的形式运行（模型、迭代器、执行函数、数据集大小、批处理大小、策略、每批处理的步数、样本数、模式、训练上下文、总记录）121步=步、模式=模式、大小=当前批处理大小：122尝试：--

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2\u utils。执行函数（输入函数）中的py 84#numpy以急切模式将张量转换为值。85回巢。映射结构（_非_无_常量_值---

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\渴望\def_function.py调用（自我，*args，**kwds）455 456tracing_count=自我。_get_tracing_count（）-

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\eager\def\u函数。py in_调用（self，*args，**kwds）501#这是调用的第一个调用，因此我们必须初始化。502初始值设定项\映射=对象\标识。ObjectIdentityDictionary（）--

--

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\渴望\function.py在_get_concrete_function_internal_garbage_collected（自我，*args，**kwargs）1846如果self.input_signature：1847 args，kwargs=无，无-

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\eager\function。py in_可能定义函数（self、args、kwargs）2148
graph_function=self_函数缓存。主要的，重要的如果graph_函数为None，则获取（缓存_键，无）
2149：-

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\eager\function。py在创建图形函数（self、args、kwargs、override\u flat\u arg\u shapes）中2039 arg\u names=arg\u names，
2040 override\u flat\u arg\u shapes=override\u flat\u arg\u shapes-

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\框架\func_graph.pyfunc_graph_from_py_func（名称，python_func，args，kwargs，签名，func_graph，签名，autograph_options，add_control_dependencies，arg_names，op_return_value，集合，capture_by_value，override_flat_arg_shapes）913converted_func）914-

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\急切\def_function.py在wrapped_fn（*args，**kwds）356#包装允许自动图形交换转换函数。我们给357#函数一个弱引用，以避免引用循环。--

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2\u utils。分布函数（输入迭代器）中的py 71策略=分布策略上下文。获取策略（）72个输出=策略。实验运行v2（---

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\distribute\distribute\u lib。实验运行中的py（自身、fn、args、kwargs）758 fn=自传。tf_convert（fn，ag_ctx.control_status_ctx（），759 convert_by_default=False）--

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\distribute\distribute\u lib。py-in-call_for_每个_副本（self、fn、args、kwargs）1785 kwargs={}1786 with self_容器策略（）。作用域（）：-

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\分发\distribute_lib.py在_call_for_each_replica（自我，fn，args，kwargs）2130
自我。_container_strategy（），2131
replica_id_in_sync_group=constant_op.constant（0，dtypes.int32））：-

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\autograph\impl\api。包装中的py（*args，**kwargs）290 def包装（*args，**kwargs）：带有ag_ctx的291。ControlStatusCtx（状态=ag\u ctx.status.DISABLED）：--

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\keras\engine\training\u v2\u utils。批处理中的py预测（解析参数失败）批处理中的160 def预测（模型，x，y=无，样本权重=无）：161 del y，样本权重--

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\keras\引擎\training_v2_utils.pypredict_on_batch（模型，x）357#验证和标准化用户数据。358输入，_，_=模型。_standardize_user_data（-

~\Anaconda3\envs\tensorflow\u cpu\lib\site packages\tensorflow\u core\python\keras\engine\training。py-in标准化用户数据（自身、x、y、样本权重、类权重、批次大小、检查步骤、步骤名称、步骤、验证、拆分、洗牌、从数据集中提取张量）2470个输入形状，
2471检查批次轴=False，不强制实施批次大小-

~\Anaconda3\envs\tensorflow_cpu\lib\site-包\tensorflow_core\python\keras\引擎\training_utils.pystandardize_input_data（数据，名称，形状，check_batch_axis，exception_prefix）

 563                            ': expected ' + names[i] + ' to have ' +
 564                            str(len(shape)) + ' dimensions, but got array '

--

ValueError：检查输入时出错：预期conv2d_input有4个维度，但有形状的数组（无，1）

Answer 1

首先，第一个conv层的输入形状似乎是错误的。

input\u shape=（IMG\u大小，IMG\u大小，1）

模型。添加（Conv2D（64，（3,3），input_shape=（IMG_大小，IMG_大小，1））

其次，无需为任何中间层指定input_shape。

model.add（Conv2D（64，（3,3），input_shape=x.shape[1：IMG_SIZE]））

模型。添加（Conv2D（64，（3,3））

Answer 2

您试图在某个字符串上预测['test1.jpg']，为什么？您需要准备与用于培训的数据形状和分布相同的数据-例如-加载图像，将其调整/裁剪为相关大小，将其规格化为范围[0,1]（如果这是您在培训期间所做的）等。。。