如何在不使用Flatten层的情况下解决深度学习全连接层兼容性问题

错误根源 #

你的代码报错是因为两个核心问题：

• INPUTSHAPE错误地包含了样本总数60000，Keras的input_shape参数只需要单个样本的形状，框架会自动处理批次维度（即None，对应批量大小）。
• MNIST原始数据是28×28的二维数组，但全连接层（Dense）只能接收一维向量输入，你没手动展平数据，也没使用Flatten层，导致形状不匹配。

解决步骤（无需Flatten层） #

1. 修正输入形状定义：把INPUTSHAPE改成单个样本展平后的形状(28*28,)。
2. 手动展平数据：用numpy的reshape方法，把训练和测试数据从(样本数,28,28)转换成(样本数,784)的一维格式。

修改后的完整代码 #

# Importing 
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import mnist
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.models import Sequential  # 统一用tensorflow.keras导入，避免版本冲突
from tensorflow.keras.optimizers import RMSprop


# Loading and splitting the dataset into train and test sets
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# Preprocessing: normalize first, then flatten data
train_images = train_images / 255.0
test_images = test_images / 255.0

# Manually flatten data: convert 28×28 2D arrays to 784-dimensional 1D vectors
train_images = train_images.reshape((train_images.shape[0], 28*28))
test_images = test_images.reshape((test_images.shape[0], 28*28))

# Specify input shape and number of classes
INPUTSHAPE = (28*28,)  # Shape of a single sample, remove the total sample count 60000
NUM_CLASSES = 10

# Model architecture
model1 = Sequential()
model1.add(Dense(500, input_shape=INPUTSHAPE, activation='relu'))  
model1.add(Dense(150, activation='relu'))  
model1.add(Dense(50, activation='relu'))
model1.add(Dense(NUM_CLASSES, activation='softmax'))

# Configure training settings (optimizer, loss, metrics)
model1.compile(loss='sparse_categorical_crossentropy',
              optimizer=RMSprop(learning_rate=1e-4),metrics=['acc'])

history1 = model1.fit(train_images,train_labels, epochs=30, batch_size=64, 
                    validation_data=(test_images,test_labels))

额外说明 #

• 统一导入tensorflow.keras下的模块，避免混用keras和tensorflow.keras可能引发的版本兼容问题。
• 用train_images.shape[0]代替硬编码的60000，让代码更通用，哪怕数据集大小变化也能正常运行。

内容的提问来源于stack exchange，提问作者olaniyan oluwasegun