Keras训练16×16灰度图回归模型时输入张量不匹配报错如何解决

报错根因 #

你当前使用的全连接Dense网络，第一层要求每个输入样本是长度为256的一维向量，但你传入的trainX是形状为(样本数, 16, 16)的三维数组，每个样本是16*16的二维灰度矩阵，维度完全不匹配：

• 第一次报错是框架误将每个样本的16行16列数据识别为独立的输入张量，所以提示收到了1700个输入张量
• 第二次报错是你新增了通道维度后，输入形状变为(None, 16, 16, 1)，最后一维长度和全连接层要求的256不一致，触发维度不兼容错误

最小改动解决方法（适配现有全连接模型） #

无需新增通道维度，直接将所有图像数据做扁平化处理，把每个16*16的二维图像压成256维的一维向量即可：

# 处理训练集和测试集的输入维度
trainX = trainX.reshape(trainX.shape[0], 16 * 16)
testX = testX.reshape(testX.shape[0], 16 * 16)

调整完成后再调用model.fit即可正常启动训练。

可选优化方案（改用CNN更适配图像任务） #

如果后续想要提升回归精度，推荐使用适配二维图像输入的卷积神经网络，不需要提前做扁平化操作，示例代码如下：

# 先给图像加灰度通道维度
trainX = np.expand_dims(trainX, -1)
testX = np.expand_dims(testX, -1)

# 构建CNN模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3,3), activation='relu', input_shape=(16,16,1)))
model.add(layers.MaxPooling2D((2,2)))
model.add(layers.Conv2D(64, (2,2), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1, activation='linear'))

# 编译训练
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mae'])
history = model.fit(trainX, trainY, epochs=50, validation_split=.2, batch_size=128,verbose=1)

内容的提问来源于stack exchange，提问作者rayan