如何为Feedforward Neural Network重塑新冠胸片图像解决输入形状不兼容错误

这个报错的核心是模型期望接收展平后的2D特征向量（每个样本对应196608个特征），但实际传入的是4D的原始图像张量。虽然你在模型里加了Flatten层，但大概率是以下两种情况导致的：

• 交互式环境（比如Jupyter Notebook）的模型缓存问题：多次运行模型定义代码后，旧的模型实例没有被完全覆盖，导致输入形状不匹配。
• 数据预处理细节遗漏：虽然x_train的形状标注为(160,256,256,3)，但可能存在数据格式异常（比如类型不是float32）。

解决方案一：清除缓存重新定义模型 #

在交互式环境中，先清除之前的模型缓存，再重新构建模型，避免旧实例干扰：

import numpy as np
from keras.models import Sequential
from keras.layers import Flatten, Dense
from keras.backend import clear_session

# 清除之前的模型缓存
clear_session()

# 重新构建FNN模型
model = Sequential()
model.add(Flatten(input_shape=(256,256,3)))  # 明确输入为256x256x3的图像
model.add(Dense(64, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 启动训练
model.fit(x_train, y_train, epochs=10, batch_size=32)

解决方案二：手动展平输入数据 #

如果不想依赖模型中的Flatten层，可以提前手动将图像数据展平为2D数组：

# 展平训练和测试数据：将(样本数, 高, 宽, 通道)转为(样本数, 总特征数)
x_train_flat = x_train.reshape(x_train.shape[0], -1)
x_test_flat = x_test.reshape(x_test.shape[0], -1)

# 定义模型时直接指定展平后的输入形状
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(196608,)))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译并训练
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(x_train_flat, y_train, epochs=10, batch_size=32)

新手额外提示 #

1. 图像分类任务中，FNN的效果远不如CNN（卷积神经网络），建议后续尝试简单的CNN结构，比如添加几个Conv2D和MaxPooling2D层，能更好提取图像的空间特征。
2. 训练前一定要对图像数据做归一化：将像素值缩放到0-1区间，比如x_train = x_train / 255.0; x_test = x_test / 255.0，这能大幅加快模型收敛速度。

内容的提问来源于stack exchange，提问作者Datababe