输入 0 与层 model_1 不兼容：预期 shape=(None, 244, 720, 3)，发现 shape=(None, 720, 3)

Question

我想通过上传图片来测试我的模型，但我收到了这个错误。而且我认为我在这些行中的某个地方遇到了错误，我只是不确定如何解决。

IMAGE_SIZE = [244,720]
inception = InceptionV3(input_shape=IMAGE_SIZE + [3], weights='imagenet',include_top=False)

这里也是上传我的测试图片的代码

picture =  image.load_img('/content/DSC_0365.JPG', target_size=(244,720))
img = img_to_array(picture)
prediction = model.predict(img)
print (prediction)

我还是机器学习的新手，所以我现在的知识还没有那么深。

Answer 1

这主要是因为您没有为初始模型准备输入（其维度）。这是一种可能的解决方案。

---

型号

from tensorflow.keras.applications import *

IMAGE_SIZE = [244,720]
inception = InceptionV3(input_shape=IMAGE_SIZE + [3], 
                         weights='imagenet', include_top=False)

# check it's input shape 
inception.input_shape
(None, 244, 720, 3)

推理

让我们通过将样本传递给模型来测试它。

from PIL import Image 

a = Image.open('/content/1.png').convert('RGB')
display(a)

检查它的基本属性。

a.mode, a.size, a.format
('RGB', (297, 308), None)

所以，它的形状已经在 (297 x 308 x 3) 中了。但是为了能够将它传递给模型，我们需要一个额外的轴，即批处理轴。为此，我们可以这样做

import tensorflow as tf
import numpy as np 

a = tf.expand_dims(np.array(a), axis=0)
a.shape
TensorShape([1, 308, 297, 3])

好多了。现在，我们可能想要标准化我们的数据并根据模型输入形状调整它的大小。为此，我们可以这样做：

a = tf.divide(a, 255)       
a = tf.image.resize(a, [244,720])  
a.shape
TensorShape([1, 244, 720, 3])

最后，将它传递给模型。

inception(a).shape
TensorShape([1, 6, 21, 2048])

# or, preserve the prediction to later analysis 
y_pred = inception(a)

更新

如果你使用的是[tf.keras]图像处理函数，将图像加载为PIL格式，那么我们可以简单地做：

image = tf.keras.preprocessing.image.load_img('/content/1.png', 
                                             target_size=(244,720))
input_arr = tf.keras.preprocessing.image.img_to_array(image)
input_arr = np.array([input_arr])  # Convert single image to a batch.

inception(input_arr).shape
TensorShape([1, 6, 21, 2048])