ValueError：检查输入时出错：预期 conv2d_input 有 4 个维度，但得到的数组具有形状（无，1）

Posted 2023-02-16

【中文标题】ValueError：检查输入时出错：预期 conv2d_input 有 4 个维度，但得到的数组具有形状（无，1）

【英文标题】：ValueError: Error when checking input: expected conv2d_input to have 4 dimensions, but got array with shape (None, 1)

【发布时间】：2020-09-06 08:01:26

【问题描述】：

我完成了包含 20 个类并达到 0.9993 准确度的模型的训练，目前正在进行测试。我正在关注this tutorial，但我遇到了错误

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

训练数据定义为

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

----------------------------------- ---------------------------- ValueError Traceback（最近一次调用 最后）在 ----> 1 个预测 = model.predict(['test1.jpg'])

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training.py in predict(self, x, batch_size, verbose, steps, callbacks, max_queue_size、workers、use_multiprocessing） 第907章 908名工人=工人， --> 909 使用_多处理=使用_多处理） 910 911 def reset_metrics（自我）：

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_v2.py 在预测（自我，模型，x，batch_size，详细，步骤，回调， **kwargs） 460返回self._model_iteration（ 461 模型，ModeKeys.PREDICT，x=x，batch_size=batch_size，verbose=verbose， --> 462 步=步，回调=回调，**kwargs) 463 第464章

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_v2.py 在_model_iteration（自我，模型，模式，x，y，batch_size，详细， sample_weight, 步骤, 回调, **kwargs) 442模式=模式， 第443章 --> 444 total_epochs=1) 445 cbks.make_logs（模型，epoch_logs，结果，模式） 第446章

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_v2.py 在 run_one_epoch（模型，迭代器，execution_function，dataset_size， batch_size，策略，steps_per_epoch，num_samples，模式， training_context，total_epochs） 121 step=step, mode=mode, size=current_batch_size) 作为batch_logs： 122 尝试： --> 123 batch_outs = execution_function(迭代器) 124 除了（StopIteration，errors.OutOfRangeError）： 125 # TODO(kaftan): File bug about tf function and errors.OutOfRangeError?

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_v2_utils.py 在 execution_function(input_fn) 84 # numpy 在 Eager 模式下将张量转换为值。 85 返回nest.map_structure（_non_none_constant_value， ---> 86 分布式函数(input_fn)) 87 88 返回执行函数

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\eager\def_function.py 在调用（自我，*args，**kwds） 455 第456章 --> 457 结果 = self._call(*args, **kwds) 458如果tracing_count == self._get_tracing_count（）： 第459章

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\eager\def_function.py 在 _call(self, *args, **kwds) 501 # 这是call的第一次调用，所以我们要初始化。 第502章 --> 503 self._initialize(args, kwds, add_initializers_to=initializer_map) 504最后： 505 # 至此我们知道初始化完成（或更少

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\eager\def_function.py 在 _initialize(self, args, kwds, add_initializers_to) 第406章 407 self._stateful_fn._get_concrete_function_internal_garbage_collected（

pylint: disable=protected-access

--> 408 *args, **kwds)) 409 410 def invalid_creator_scope(*unused_args, **unused_kwds):

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\eager\function.py 在 _get_concrete_function_internal_garbage_collected(self, *args, **kwargs) 1846 if self.input_signature: 1847 args, kwargs = None, None -> 1848 图形函数，_，_ = self._maybe_define_function（args，kwargs）1849 返回图形函数 1850

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\eager\function.py 在 _maybe_define_function(self, args, kwargs) 2148 graph_function = self._function_cache.primary.get(cache_key, None) 2149 如果 graph_function 为无： -> 2150 graph_function = self._create_graph_function(args, kwargs) 2151 self._function_cache.primary[cache_key] = graph_function 2152 返回graph_function, args, kwargs

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\eager\function.py 在 _create_graph_function(self, args, kwargs, override_flat_arg_shapes) 2039 arg_names=arg_names, 第2040章 -> 2041 capture_by_value=self._capture_by_value), 2042 self._function_attributes, 2043 # 告诉 ConcreteFunction 一旦它退出就清理它的图表

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\framework\func_graph.py 在 func_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） 第913章 914 --> 915 func_outputs = python_func(*func_args, **func_kwargs) 916 917 # 不变量：func_outputs 只包含张量，复合张量，

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\eager\def_function.py 在 Wrapped_fn(*args, **kwds) 356 # wrapped 允许 AutoGraph 交换转换后的函数。我们给予 357 # 函数弱引用自身，避免引用循环。 --> 358 return weak_wrapped_fn().wrapped(*args, **kwds) 第359章 360度

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_v2_utils.py 在分布式函数（输入迭代器） 71 策略 = distribution_strategy_context.get_strategy() 72 个输出 = strategy.experimental_run_v2( ---> 73 per_replica_function, args=(model, x, y, sample_weights)) 74 # Out of PerReplica 输出减少或选择要返回的值。 75 all_outputs = dist_utils.unwrap_output_dict(

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\distribute\distribute_lib.py 在experimental_run_v2（self，fn，args，kwargs） 第758章 第759章 --> 760 返回 self._extended.call_for_each_replica(fn, args=args, kwargs=kwargs) 761 762 def reduce（self，reduce_op，value，axis）：

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\distribute\distribute_lib.py 在 call_for_each_replica(self, fn, args, kwargs) 1785 kwargs = 1786 与 self._container_strategy().scope()： -> 1787 return self._call_for_each_replica(fn, args, kwargs) 1788 1789 def _call_for_each_replica(self, fn, args, kwargs):

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\distribute\distribute_lib.py 在 _call_for_each_replica(self, fn, args, kwargs) 2130 self._container_strategy(), 2131 replica_id_in_sync_group=constant_op.constant(0, dtypes.int32))： -> 2132 return fn(*args, **kwargs) 2133 2134 def _reduce_to(self, reduce_op, value, destinations):

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\autograph\impl\api.py 在包装器中（*args，**kwargs） 290 def 包装器（*args，**kwargs）： 291 与 ag_ctx.ControlStatusCtx（状态=ag_ctx.Status.DISABLED）： --> 292 返回函数（*args，**kwargs） 293 294 if inspect.isfunction(func) 或 inspect.ismmethod(func):

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_v2_utils.py in _predict_on_batch（解析参数失败） 160 def_predict_on_batch（模型，x，y=None，sample_weights=None）： 第161章 --> 162 返回 predict_on_batch(model, x) 163 164 功能=_predict_on_batch

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_v2_utils.py 在 predict_on_batch(model, x) 357 # 验证和标准化用户数据。 358 个输入，_, _ = model._standardize_user_data( --> 359 x，extract_tensors_from_dataset=True) 360 361 # 如果model._distribution_strategy 为真，那么我们在副本上下文中

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training.py in _standardize_user_data(self, x, y, sample_weight, class_weight, batch_size、check_steps、steps_name、steps、validation_split、shuffle、 extract_tensors_from_dataset）2470 feed_input_shapes， 2471 check_batch_axis = False，#不强制批处理 尺寸。 -> 2472 exception_prefix='input') 2473 2474 # 获取输入数据的类型规范并在必要时对其进行清理。

~\Anaconda3\envs\tensorflow_cpu\lib\site-packages\tensorflow_core\python\keras\engine\training_utils.py 在standardize_input_data（数据，名称，形状，check_batch_axis， 异常前缀）

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

--> 565 '带形状' + str(data_shape)) 566 如果不是 check_batch_axis： 第567章

ValueError：检查输入时出错：预期 conv2d_input 有 4 尺寸，但得到了形状为 (None, 1) 的数组

【参考方案1】：

你试图预测某个字符串['test1.jpg']，为什么？您需要将数据准备为与训练所用相同的形状和分布 - 例如 - 加载图像，将其调整大小/裁剪为相关大小，将其标准化为在[0,1] 范围内（如果这是你所做的在训练期间）等......

【讨论】：

是的，我刚刚意识到我没有像你说的那样准备数据，谢谢你帮我看看！

【参考方案2】：

首先，您的第一个 conv 层的 input_shape 似乎是错误的。

input_shape = (IMG_SIZE, IMG_SIZE,1)

model.add(Conv2D(64,(3,3), input_shape = (IMG_SIZE, IMG_SIZE,1))

其次，不需要为任何中间层指定input_shape。

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

model.add(Conv2D(64,(3,3))

【讨论】：

我按照您的建议进行了更改，但仍然出现相同的错误