如何使用經過訓練的模型預測MNIST資料（輸入形狀的預期軸-1的值為784，但接收到的輸入形狀為(784,1)）

我遵循了 tensorflow2 教程，但現在想使用該模型來預測影像。

我的代碼：

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(
    'mnist',
    split=['train', 'test'],
    shuffle_files=True,
    as_supervised=True,
    with_info=True,
)

mnist_train = mnist_train.map(normalize_img, num_parallel_calls=tensorflow.data.AUTOTUNE)
mnist_train = mnist_train.cache()
mnist_train = mnist_train.shuffle(mnist_info.splits['train'].num_examples)
mnist_train = mnist_train.batch(128)
mnist_train = mnist_train.prefetch(tensorflow.data.AUTOTUNE)

mnist_test = mnist_raw.map(normalize_img, num_parallel_calls=tensorflow.data.AUTOTUNE)
mnist_test = mnist_test.batch(128)
mnist_test = mnist_test.cache()
mnist_test = mnist_test.prefetch(tensorflow.data.AUTOTUNE)

model = tensorflow.keras.models.Sequential([
  tensorflow.keras.layers.Flatten(input_shape=(28, 28)),
  tensorflow.keras.layers.Dense(128, activation='relu'),
  tensorflow.keras.layers.Dropout(0.16),
  tensorflow.keras.layers.Dense(10, activation="softmax")
])



model.compile(
    optimizer=tensorflow.keras.optimizers.Adam(0.001), 
    loss=tensorflow.keras.losses.SparseCategoricalCrossentropy(from_logits=True), 
    metrics=["accuracy"]
)

result = model.fit(mnist_train, epochs=6, validation_data=mnist_test)

it = mnist_test.as_numpy_iterator()
first = it.next()
images, labels = first[0], first[1]

plot.imshow(images[0].squeeze())
model(images[0].squeeze().flatten())

最后一行給出了錯誤：

ValueError                                Traceback (most recent call last)
ipython-input-87-57d521ba8778> in <module>()
----> 1 model(images[0].squeeze().flatten())
1 frames
/usr/local/lib/python3.7/dist-packages/keras/engine/input_spec.py in assert_input_compatibility(input_spec, inputs, layer_name)
    247         if value is not None and shape_as_list[int(axis)] not in {value, None}:
    248           raise ValueError(
--> 249               f'Input {input_index} of layer "{layer_name}" is '
    250               f'incompatible with the layer: expected axis {axis} '
    251               f'of input shape to have value {value}, '
ValueError: Exception encountered when calling layer "sequential_1" (type Sequential).
Input 0 of layer "dense_2" is incompatible with the layer: expected axis -1 of input shape to have value 784, but received input with shape (784, 1)
Call arguments received:
  ? inputs=tf.Tensor(shape=(784,), dtype=float32)
  ? training=False
  ? mask=None

據我所知，模型 operator() 需要一個一維陣列，但我為它提供了一個二維陣列，其中第二維是 1（本質上是一個 1 維陣列）。

我發現了這個問題：層順序的輸入 0 與層不兼容：輸入形狀的預期軸 -1 具有值 784

但如果我做 reshape(1, 784) 錯誤訊息切換到預期維度 (28,28)。如果我不展平陣列，我會得到 (28, 28) 提供的錯誤，但它想要 (784)。

uj5u.com熱心網友回復：

檢查形狀images[0].squeeze().flatten()：

import numpy as np

print(np.shape(images[0].squeeze().flatten()))

(784,)

但是，您的輸入是(None, 28, 28). 因此，您不需要 flatten （由Flattenat 輸入處理）。此外，您需要批量維度。所以你可以這樣做：

model(np.expand_dims(images[0, :], axis=0))

請注意，如果您想一次輸入更多影像，它可以正常作業：

model(images[0:10, :])

因為批量維度是存在的。

標籤：Python 张量流

上一篇：如何從檔案夾中選擇隨機影像進行CNN測驗程序？

下一篇：在不使用Y_pred和Y_actual的tensorflow中撰寫自定義損失