Tensorflow在预测时出现错误:输入形状的轴-1应具有值784，但收到的输入形状为[无，28]
TensorFlow是一个开源的人工智能框架，用于机器学习和深度学习任务。在使用TensorFlow进行预测时，出现输入形状错误的问题，其中要求输入形状的轴-1应具有值784，但实际收到的输入形状为[无，28]。下面我将详细解释可能的原因以及如何解决这个问题。
- 问题分析： 输入形状的轴-1应具有值784，这表示每个样本的输入特征数量应为784。然而，收到的输入形状为[无，28]，即每个样本的输入特征数量为28。这与要求的输入形状不匹配，导致出现错误。
- 解决方案： 为了解决这个问题，可以采取以下步骤：
- a. 检查数据集：首先，需要确认使用的数据集是否正确。检查数据集的维度和特征数量是否与所期望的一致。如果数据集中的每个样本确实具有28个特征，而非784个特征，那么可能是数据集的问题。
- b. 数据预处理：如果数据集的特征数量不正确，需要进行数据预处理。可以使用特征工程的方法，例如将图像数据转换为向量表示，或者对图像进行降维处理，以确保每个样本具有784个特征。
- c. 模型调整：如果数据集的特征数量正确，那么可能是模型的输入层定义有误。需要检查模型的输入层是否正确设置为接受784个特征的形状。根据具体情况，可能需要调整模型的输入层参数。
- d. 模型训练：重新训练模型，确保在训练过程中使用的数据集和模型定义与预测时一致。
- 相关产品和文档：
腾讯云提供了丰富的人工智能和云计算相关产品，以下是一些与TensorFlow预测相关的产品和文档：
- 腾讯云AI平台（https://cloud.tencent.com/product/iai）：提供了多种AI相关的产品和服务，包括模型训练和推理的全流程服务。
- 腾讯云机器学习引擎（https://cloud.tencent.com/product/tccli）：提供了高性能的机器学习训练和推理环境。
- 腾讯云函数计算（https://cloud.tencent.com/product/scf）：提供了基于事件驱动的无服务器计算服务，可以方便地进行模型推理部署。
- 腾讯云弹性GPU服务（https://cloud.tencent.com/product/gpu）：提供了强大的GPU计算能力，加速深度学习模型的训练和推理。
- 请根据具体需求选择适合的产品和服务，详细文档和使用指南可以在上述链接中找到。
相关·内容
我有一个在MNIST上训练的模型，但是当我输入一个手工制作的图像样本时，它会引发ValueError:层顺序的输入0与层不兼容:输入形状的预期轴-1的值为784，但接收到的输入具有形状(无，1)。
我已经检查了模型的输入，它的形状与MNIST相同。x_train.shape (784年)和我的图像arr.shape (784年)请帮助！
..。
from tensorflow.keras.datasets import fashion_mnist
from tensorflow.keras.models import Sequential
from tensorflo
浏览 2提问于2021-02-13得票数 4
回答已采纳
我遵循的是和MNIST数据最初是28*28矩阵。然而，在输入这些数据之前，它们会将数据压缩到带有784列(784 = 28 * 28)的一维数组中。
例如，原始训练集的形状是(200000，28，28)。
200000行(数据)。每个数据是28*28矩阵
他们将此转换为形状为(200000,784)的训练集。
有人能解释为什么他们在给tensorflow喂食之前把数据压平吗？
浏览 6提问于2017-06-15得票数 9
回答已采纳
我遵循的TensorFlow MNIST估计教程，我已经培训了我的MNIST模型。
它看起来很好，但是如果我在Tensorboard上看到它，我会发现一些奇怪的东西:模型所需的输入形状是100x784。
这是一个屏幕截图:正如您在右框中看到的，预期输入大小为100x784。
我以为我会看到?x784。
现在，我确实在培训中使用了100作为批处理大小，但是在Estimator模型函数中，我还指定输入样本大小的数量是可变的。所以我料到了？X 784将在Tensorboard中显示。
input_layer = tf.reshape(features["x"], [-1,
浏览 0提问于2018-04-09得票数 6
回答已采纳
我正在研究mnist分类代码。这样的错误继续出现在下面的代码中。 model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=10, input_dim=784, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer=tf.optimizers.Adam(learning_rate=0.001), metrics=['accuracy'])
model.summar
浏览 23提问于2021-10-30得票数 2
为了使单个通道图像和一维张量之间的角点级联操作成为可能，我需要重塑我的一维张量的长度，以匹配两个图像维数，并将所有额外的神经元与零匹配。我该怎么做？
示例代码以显示一个等价的问题：
from keras.layers import Input, Dense, Conv2D, Reshape, concatenate
inputs = Input(shape = (784,))
dense_layer = Dense(10)(inputs)
reshaped_layer = Reshape((28, 28, 1))(inputs)
convolved_layer = Conv2D(10,
浏览 4提问于2017-07-27得票数 1
回答已采纳
1回答
我训练了模型(直接从网站复制粘贴)，并用model.save()保存了它。现在，我想使用它来对生成的图像进行分类，以便保存它们并将它们重塑为28x28像素，然后尝试将它们提供给模型，如下所示：
from matplotlib import image
img = image.imread('img.png')[:,:,:1] #so that the shape ends up being (28,28,1)
print(self.model.predict(img))
但是当我运行这个程序时，我会发现一些错误：
警告:tensorflow:模型是为输入张量(“input_1
浏览 4提问于2020-07-09得票数 0
回答已采纳
1回答
我想用TensorFlow在一个具有28x28形状的图像的数据集上训练一个CNN模型，这些图像已经被展平为长度为784的向量。
我想在Tensorflow中使用Conv2D层，但由于我的输入已经扁平化，我不知道最好的方法是什么。
是否有一种层执行与扁平化相反的功能？我应该写一个带有子类化API和numpy重塑的自定义模型吗？或者，是否可以使用一维阵列执行2D卷积？
提前感谢您的帮助！
浏览 0提问于2020-06-13得票数 0
1回答
我指的是TensorFlow网站上的MNIST教程。有一个用于保存28 x 28像素MNIST图像的张量。该形状如下所示：
x = tf.placeholder(tf.float32, shape=[None, 784])
如您所见，它们将矩阵展平，并将所有像素用作784个值的一维向量。
如何使用28 x 28像素的适当矩阵设置张量？我想保存有关图像的2D结构的信息。
浏览 11提问于2017-06-20得票数 0
回答已采纳
2回答
import tensorflow as tf
import random
import numpy as np
x = tf.placeholder('float')
x = tf.reshape(x, [-1,28,28,1])
with tf.Session() as sess:
x1 = np.asarray([random.uniform(0,1) for i in range(784)])
result = sess.run(x, feed_dict={x: x1})
print(result)
我在使用mn
浏览 0提问于2018-07-20得票数 5
回答已采纳
我在MNIST (CNN)上建立了一个图像分类模型，该模型在测试集上工作得很好。然而，当我从google上传一张图片，调整它的大小，规格化它，并将其提供给我的模型时，我有一个尺寸错误。我的模型的输入张量形状是(None,28,28)，但是当我给模型一个28x28像素的图像时，它告诉我我的输入是(None,28)。我该如何解决这个问题？model_code.jpg 这是我得到的错误： WARNING:tensorflow:Model was constructed with shape (None, 28, 28) for input Tensor("flatten_input_2:0
浏览 88提问于2020-11-05得票数 1
1回答
如何与扁平层连接
、、
我想在连接之前把输入压平，如下所示。
import numpy as np
import pandas as pd
import tensorflow as tf
from matplotlib import pyplot as plt
from tensorflow import keras
from tensorflow.keras import Model
from tensorflow.keras.callbacks import TensorBoard
from tensorflow.keras.layers import (
CategoryEncoding,
Co
浏览 6提问于2022-09-28得票数 1
2回答
我不能把我的头绕在这上面.我不确定堆叠是不是这里使用的合适术语。
A.shape = (28,28,1)
B.shape = (28,28,1)
如果我想将这些数组合并/添加/堆栈到这种格式：
C.shape = (2,28,28,1)
我该怎么做？它是一个+=版本吗?在这里，我可以在现有堆栈中添加新的形状(28,28,1)数组以获取(3,28,28,1)。
编辑
我有一个由100个灰度图像组成的数组：(100, 784)，我想我可以用tf.reshape重塑成(100,28,28,1)。
我想用tf.image.per_image_standardization ()标准化100幅图像的所有
浏览 0提问于2018-04-16得票数 1
回答已采纳
我想使用tensorflow的预训练模型来进行一些对象分类。
我从tensorflow下载了faster_rcnn_inception_resnet_v2_atrous_lowproposals_oid_2018_01_28，但我在预测时遇到了一些麻烦。下面是我运行的代码。
import tensorflow as tf
import cv2
model_folder = "faster_rcnn_inception_resnet_v2_atrous_lowproposals_oid_2018_01_28"
model_graph_file = model_folder+&
浏览 0提问于2020-03-07得票数 0
最近开始使用tensorflow，我真的对feed_dict的功能感到困惑。
看看来自tensorflow网站的mnist示例，x是一个符号占位符，每次训练迭代都会用一批新的图像填充，所以这里的“None”也可以是“batch_size”。
x = tf.placeholder(tf.float32, shape=[None, 784])
在查看本教程的卷积部分时，有一个命令可以将x从其扁平的1x784形状重塑回2D图像28x28形状
x_image = tf.reshape(x, [-1,28,28,1])
在训练循环期间，x通过以下命令馈送
train_step.run(feed_dict
浏览 1提问于2016-08-04得票数 0
回答已采纳
我是TensorFlow的新手。我一直在用CSV的形式给MNIST喂食。每一行包含(标签，像素i-j，.)其中i=行，j=列。然后，我尝试在TensorFlow网站教程的基础上训练模型。
但是，我得到了错误
ValueError:对于具有形状'(?，784)‘的张量u’‘Placeholder_12:0’不能提供形状(28，28)的馈电值
你能告诉我我的密码出了什么问题吗？
import tensorflow as tf
import numpy as np
x_file = open("mnist_train_100.csv",'r')
x_l
浏览 0提问于2016-10-25得票数 0
1回答
我有两个大小为(128，)的数组和一个大小为(784,128)的数组： array1.shape()
out: (128,)
array2.shape()
out: (128,)
array3.shape()
out: (784,128) 它们具有相同的数据类型，但dtype()输出不同： array1.dtype
out: float32
array2.dtype
out: <dtype: 'float32'>
array2.dtype
out: <dtype: 'float32'> 它们属于不同的类别： type(array1)
o
浏览 27提问于2020-09-05得票数 0
我试图用mnist数据集来模拟LeNet，
我做了以下几件事
import tensorflow as tf
import tensorflow_datasets as tfds
from tensorflow.keras import layers, models
from tensorflow.keras.utils import plot_model
from tensorflow.keras.optimizers import SGD
import matplotlib.pyplot as plt
import numpy as np
# Import dataset
(train
浏览 0提问于2021-05-26得票数 1
回答已采纳
3回答
我创建了一个深度卷积神经网络来分类图像中的单个像素。我的训练数据总是相同的大小(32x32x7)，但我的测试数据可以是任何大小。
目前，我的模型将只在相同大小的图像上工作。我广泛地使用了tensorflow mnist 来帮助我构建我的模型。在本教程中，我们只使用28x28图像。如何更改下列mnist模型以接受任意大小的图像？
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
W = tf.Variable(tf.zeros([784,1
浏览 13提问于2017-12-21得票数 16
回答已采纳
我正在学习TensorFlow教程
最初，x被定义为
x = tf.placeholder(tf.float32, shape=[None, 784])
后来它重塑了x，我试着去理解为什么。
为了应用这一层，我们首先将x整形为4d张量，第二和第三维对应于图像的宽度和高度，最后的维数对应于彩色通道的数目。
x_image = tf.reshape(x, [-1,28,28,1])
在整形向量中-1意味着什么?为什么x被重塑？
浏览 5提问于2017-01-21得票数 8
回答已采纳
1回答
我在一个例子中看到了以下代码：
X = tf.placeholder(tf.float32, [None, 784], name='InputData')
# image shape 28*28=784
XX = tf.reshape(X, [-1, 784])
# reshape input
tf.reshape在这里的用法是什么，因为我们已经有来自mnist数据集的输入数据集，并且每个映像的大小为784 (28*28)。那么，通过重新塑造形象，我们得到了什么呢？
浏览 2提问于2019-09-24得票数 1
回答已采纳
我有一个keras transformer模型，使用tensorflow 2.7.0和python 3.7训练，输入形状：(None, 250, 3)，二维数组输入形状：(250, 3)(不是图像)。
当预测时使用：
prediction = model.predict(state)
我得到了ValueError: Input 0 of layer "model" is incompatible with the layer: expected shape=(None, 250, 3), found shape=(None, 3)
项目代码：
这就是state的样子：
stat
浏览 2提问于2022-03-16得票数 0
回答已采纳
4回答
我想训练一个平面曲线的网络，我用形状(L,2)表示的numpy数组表示。数字2代表x，y坐标，L是数据集中变化的点数。我把x，y当作两个不同的“通道”。
我实现了一个函数next_batch(batch_size)，它提供下一个批处理为一个带有(batch_size,)形状的一维numpy数组，其中包含具有shape的2D数组的元素：(L,2)。这些是我的曲线，正如前面提到的，L在元素之间是不同的。(我不想限制在曲线上的固定点数)。
我的问题：
如何操作next_batch()的输出，以便能够使用类似于Tensorflow教程中出现的方案：向网络提供输入曲线
也就是说，使用feed_dict机
浏览 3提问于2017-11-24得票数 8
回答已采纳
1回答
我尝试在keras中使用自定义层。这是一个简单的图层，只是一个有可训练参数的母校。
from tensorflow import keras
import numpy as np
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input
from tensorflow.keras.optimizers import RMSprop
from keras.layers import Layer
from tensorflow.keras import backend as K
clas
浏览 0提问于2020-08-20得票数 0
回答已采纳
我需要澄清一些关于Tensorflow如何对待它的张量形状。这是取自的
我定义了一个占位符，该占位符将在稍后的某个时候输入我的一些培训数据：
x = tf.placeholder(tf.float32, shape=[None, 784])
在运行时，我分100批给它，所以它在运行时的形状是(100, 784)。我还定义了权重和偏差：
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
W是形状(784, 10)，b是形状(10)。现在我计算
y = tf.matmul(x,W) + b
这就是我被困的地方。x
浏览 3提问于2017-05-23得票数 1
回答已采纳
当我使用Python在TensorFlow中使用神经网络进行预测时，我得到了以下错误：ValueError: Input 0 of layer dense is incompatible with the layer: expected axis -1 of input shape to have value 784 but received input with shape [None, 28]。 我正在尝试遵循Tensorflow网站上的教程来训练一个神经网络来对服装进行分类。我写了以下代码： import tensorflow as tf
from tensorflow import
浏览 21提问于2020-10-14得票数 0
回答已采纳
2回答
我正在建立我的第一个神经网络与煤角和坦索弗洛。我把输入输入到一个形状数组(60000，28，28)中，但是当我试图将它输入到模型中时，我会得到一个错误，即输入形状是错误的。
我尝试了多个不同的输入形状，包括(60000，28，28) (1，28，28) (28，28) (28，28，1)，但它们似乎都没有工作。
model = kr.Sequential()
model.add(InputLayer(input_shape=(60000, 28, 28)))
model.add(Dense(units=784, activation='relu'))
model.add(De
浏览 1提问于2019-05-28得票数 0
回答已采纳
我使用minst来训练我自己的数字阅读模型，但当我尝试上传我自己的图片进行预测时，它告诉我一个错误，说"ValueError:图层dense_3的输入0与层不兼容:预期输入形状的轴-1具有值784，但收到的输入形状为None，84“(我的模型训练正确，minst中的预测图片成功。下面是我的代码：
import numpy as np
from keras.applications.imagenet_utils import decode_predictions
from keras.preprocessing import image
from keras.applications i
浏览 1提问于2020-08-08得票数 4
我按照中的代码在MNIST数据集上训练了一个神经网络。现在我想对我使用模型创建的图像进行预测，但输入大小似乎有一些问题。我使用openCV读取图像并将其转换为，我认为这是与tf_datasets中的模型训练相同的输入。
img = cv2.imread("168.png", 0) # uint8 format
img = cv2.resize(img, (28,28)) # scaling down to input data dimensions
img = tf.cast(img, tf.float32)/255. # uint8 -> normalizing t
浏览 43提问于2021-03-12得票数 0
回答已采纳
我正在阅读下面的教程，它使用MNIST手写数字数据库。
https://machinelearningmastery.com/handwritten-digit-recognition-using-convolutional-neural-networks-python-keras/
28x28大小的图像数据必须被重塑成一个784像素的一维矢量。28x28=784。为什么多层感知器只坚持输入数据的一维矢量？卷积神经网络和递归神经网络不存在接受高维输入形状的问题。
浏览 0提问于2018-08-18得票数 2
2回答
你好关于重塑数组的问题。
我有一个数组train_x (2D)，其内容是(103,784)
在这种情况下，103是示例的数量。
784是我的神经网络的输入。
现在我想重塑从2D到4D
我使用以下命令：
train_x = np.reshape(train_x, (103, 28, 28, 1))
在这种情况下，103仍然是训练示例的数量，在这种情况下，我的输入784被划分为28x28的矩阵，这是正确的吗?在这种情况下，1是我的通道，而不是使用RGB (其他通道应该是3)。
如果我的假设是不正确的，请有人建议如何重塑从2D到4D，以存档上述？tnx
浏览 0提问于2018-10-04得票数 6
回答已采纳
我目前正在学习Keras，并且对密集层的输入形状有问题。我目前正在尝试mnist数据集。我知道火车图像的input_shape是(60万，28，28)，而且我知道keras忽略了第一个维度，因为它是批大小，因此在密集模型中输入的输入形状应该是(28,28)，但是当我把输入形状设置为(784，)时，请有人解释为什么runs.Could模型会出现错误。
(train_images, train_labels), (test_images, test_labels) =
mnist.load_data()
print(train_images.shape)
network = mode
浏览 0提问于2019-02-12得票数 3
回答已采纳
我在试着理解tensorflow的占位符。具体而言，在下面的示例中，shape=[None,是什么意思。
X = tf.placeholder(tf.float32, shape=[None, 128, 128, 3], name="X")
回答将其描述为：
您可以将TensorFlow中的占位符看作是一个操作，该操作指定将输入到graph.placeholder X中的形状和数据类型，定义float32类型的未指定数量的形状行(128、128、3)将被输入到图形中。占位符不保持状态，只定义要流到图形中的数据的类型和形状。
当它说“未指定的行数”时，是否真的指形状为12
浏览 0提问于2018-07-16得票数 16
1回答
从MNIST重构数组
、、、
我正在使用mnist数据集，并希望立即绘制一些数字。这个数据集为我提供了形状(784, )的数组，并表示一个28x28像素的图像。
假设我想在2x2网格中绘制4个数字。此网格应该具有形状(2*28, 2*28)。这就是我想要的结果：
+---+---+
| 0 | 9 |
+---+---+
| 9 | 0 |
+---+---+
这是我的代码：
zero # an array from the mnist dataset
nine # another array from the mnist dataset
zero.shape
#(784,)
nine.shape
#(784,)
x
浏览 3提问于2017-12-08得票数 0
回答已采纳
1回答
我有一个问题，如何将dataframe更改为面板，同时更改dataframe的尺寸。最初，我有一个有2000行和784个colmuns的数据框架：
data=pd.DataFrame(np.random.randn(2000,784))
data.shape
(2000, 784)
我想将每一列转换成一个28*28的数据格式，然后将其存储到一个面板式结构中，其大小为( 2000 , 28 , 28 )或2000 28乘以28数据。看着一些，我试着：
data_panel=pd.Panel(dict([ (i,data) for i in range(2000)]))
data_panel
&l
浏览 2提问于2016-05-25得票数 0
回答已采纳
2回答
I'm working on a simple example of a ANN using the MNIST dataset. I think I understand the basic breakdown of the model, including reshaping the data, but I'm having trouble with the prediction aspect.
model = keras.Sequential([
layers.Dense(512, activation='relu'),
layers.
浏览 16提问于2022-02-01得票数 0
我问这个是因为我觉得我错过了一些最基本的东西。
到目前为止，大多数人都知道MNIST图像是28X28像素。告诉我关于稠密的事情：
输入形状nD张量与形状：(batch_size，.，input_dim)。最常见的情况是带有形状的2D输入(batch_size，input_dim)。
所以像我这样的新手会假设这些图像可以作为一个28*28矩阵输入到模型中。然而，我发现的每一本教程都要通过各种健身方法将图像转换成一个单一的784年长的功能。
有时
num_pixels = X_train.shape[1] * X_train.shape[2]
model.add(Dense(num_pix
浏览 0提问于2018-09-05得票数 4
回答已采纳
我有一个关于Keras深度学习的问题：
我正在构建一个mnist分类器，但我的神经网络的输入层是二维卷积层。训练集有60000个样本，测试集有10000个样本。每个图像的尺寸是28 x 28像素。我将像素张量切片并将其压缩为两个参数的张量，除以255，并将其设置为“loat32”。
导入：
from keras.models import Sequential
from keras.layers import Dense, MaxPooling2D, Conv2D, Dropout, Flatten
from keras.datasets import mnist
加载数据：
(train_i
浏览 0提问于2018-11-08得票数 0
1回答
稠密层Keras的三维输入
、、、、
有没有Dense层如何处理3D输入的例子？
文件解释如下：
如果层的输入等级大于2，则密度计算输入和内核之间沿输入的最后轴和内核的轴1之间的点积(使用tf.tensordot)。
但我无法理解内部的matrix calculation
例如：
import tensorflow as tf
from tensorflow.keras.layers import Dense
sample_3d_input = tf.constant(tf.random.normal(shape=(4,3,2)))
dense_layer = Dense(5)
op = dense_layer(sample_
浏览 9提问于2021-04-26得票数 2
回答已采纳
2回答
我在学TF。从mnist数据集开始。我有10.000张28*28像素的图像。如果我把它作为形状输入
from tensorflow import keras
from tensorflow.keras.datasets import mnist
from matplotlib import pyplot
from tensorflow.keras import layers
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
inputs = keras.Input(shape=(28, 28))
浏览 4提问于2020-11-16得票数 0
回答已采纳
我正在浏览Tensorflow的卷积网络层教程：
在本教程中，前两层如下所示：conv1 = tf.layers.conv2d(inputs=input_layer,filters=32,kernel_size=[5,5],padding="same",activation=tf.nn.relu)
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
在第一个卷积层之后，教程说：“由conv2d()产生的输出张量的形状为batch_size，28，28，32:与输入相同的宽度和高度，
浏览 4提问于2017-05-06得票数 0
检查冻结的tensorflow模型： wget https://storage.googleapis.com/download.tensorflow.org/models/inception_v3_2016_08_28_frozen.pb.tar.gz 我看到输入大小是Tensor 'input:0', which has shape '(1, 299, 299, 3)'，我想知道有没有可能让输入(None, 299, 299, 3)在batch_size > 1的情况下进行有效的批量预测？
浏览 14提问于2019-07-04得票数 1
回答已采纳
2回答
这是我的模型：
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(40, 40, 3)),
tf.keras.layers.Dense(150, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
我的输入张量叫做image_batch。当我运行np.shape(image_batch[0])时，结果是TensorShape([40, 40, 3])。这是预期的
浏览 10提问于2020-02-20得票数 0
回答已采纳
我用Keras编写了一个生成器函数，在从__getitem__中返回X，y之前，我反复检查了X和Y的形状，它们都很好，但是生成器给出了维数不匹配的数组和警告。
(Colab代码复制：)
我的培训和验证生成器与
class ValidGenerator(Sequence):
def __init__(self, df, batch_size=64):
self.batch_size = batch_size
self.df = df
self.indices = self.df.index.tolist()
self.num
浏览 3提问于2020-11-12得票数 1
我刚刚从Tensorflow.js开始，并试图构建一个简单的模型，该模型以28个数组作为输入(每个数组代表一张图片)。不过，有些东西联系得不太好。运行下面的代码片段，我得到：
errors.ts:48 Uncaught (in promise) Error: Error when checking target: expected dense_Dense1 to have 2 dimension(s). but got array with shape 100,28,28
at new e (errors.ts:48)
at Od (training.ts:147)
a
浏览 0提问于2019-05-29得票数 1
回答已采纳
2回答
我有一些时间有序的图像存储为一个numpy二维数组与形状(60000,784)。我想最终重塑数据到(1200，28，28，50)。我想要做的是定位随后的50张28x28图像，在另一张上面，上面的图像是最早的。
我想下面的代码让我开始工作，但这会返回1200张形状图像(50、28、28)的列表。我想要一个numpy数组的形状(1200，28，28，50)。
import numpy as np
X = np.ones((60000, 784))
X = X.reshape(X.shape[0], 28, 28)
X_new = []
prev = 0
for i in range(50, l
浏览 0提问于2017-03-31得票数 0
回答已采纳
我已经学习了tensorflow2教程，但是现在我想使用模型来预测图像。
我的代码：
import tensorflow
import tensorflow_datasets
import matplotlib.pyplot as plot
import numpy
def normalize_img(img, label):
return tensorflow.cast(img, tensorflow.float32) / 255., label
(mnist_train, mnist_raw), mnist_info = tensorflow_datasets.load(
浏览 6提问于2022-05-15得票数 0
回答已采纳
我正在尝试使用CNN与Keras结合使用Tensorflow进行对象检测。我对此相当陌生，所以我使用教程作为指南，但使用了我自己的一套和其他一些东西。我得到的错误是Tensorflow的形状与x不兼容，2与x不兼容，其中x是我拥有的任意数量的训练图像，2是类的数量。我只是为了测试而使用了少量的图像，但我非常确定这不是问题所在？ 我尝试了训练图像的不同倍数，但没有成功，并且我查看了model.summary()以查看模型是否完全按照我想要的方式进行布局。此外，我已经打印了我的训练图像的形状和它们的标签，它们看起来很正确。 图像大小为28 x 28像素，平面大小为784，完整形状为(28,28,
浏览 66提问于2019-04-08得票数 5
回答已采纳
我使用中的代码(它以opencv：：Mat映像作为输入并将其转换为张量)，并使用它用Tensorflow教程()中描述的模型对图像进行标记。但是，当我将批大小增加到2(或更大)时，finalOutput (它的类型为std：：)的大小为零。
下面是再现错误的代码：
// Only for VisualStudio
#define COMPILER_MSVC
#define NOMINMAX
#include <string>
#include <iostream>
#include <fstream>
#include <opencv2/openc
浏览 4提问于2017-07-04得票数 2
回答已采纳
我有一个Tensorflow模型权重文件，我使用它来对测试图像进行预测。这些测试图像采用NumPy阵列格式，图像的形状为(720,1280，3)。我在做预测时有以下错误-
ValueError: Input 0 is incompatible with layer model: expected shape=(None, 416, 416, 3), found shape=(1, 720, 1280, 3)
当我试着改变形状的时候-
image_np.shape=(416,416,3)
它让我犯了以下错误-
ValueError: cannot reshape array of size 27
浏览 0提问于2021-12-23得票数 0
回答已采纳
我有一些数据，我想做一个简单的TensorFlow神经网络。我已经对数据进行了预处理，因此它的形状是(18631,147个)，因此每个值大约有18000行。每一行都是自己的训练数据，我有另一个形状(18631，3)的数据，它为我可能尝试预测的三个不同变量(标记为1、2和3 )提供了基本真理。当我尝试运行model.fit时，我会发现一个奇怪的错误，我不明白：
ValueError:层稠密的输入0与层不兼容:输入形状的期望轴-1为值147，但接收到的输入为形状(147，1)。
我尝试准备输入TensorFlow的数据的方法是使用from_tensor_slices()函数，特别是使用代码：
浏览 4提问于2021-04-23得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
