ValueError：形状 (None, 10, 2, 2) 和 (None, 10) 不兼容答案

【问题标题】：ValueError: Shapes (None, 10, 2, 2) and (None, 10) are incompatibleValueError：形状 (None, 10, 2, 2) 和 (None, 10) 不兼容
【发布时间】：2021-05-18 20:01:41
【问题描述】：

我正在关注我最近得到的一本新书，但我遇到了这个错误，我不知道我做错了什么

ValueError：形状 (None, 10, 2, 2) 和 (None, 10) 不兼容

这里是代码

from keras import models
from keras import layers

network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))

network.compile(optimizer = 'rmsprop', 
           loss = 'categorical_crossentropy', 
           metrics=['accuracy'])

train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

from tensorflow.keras.utils import to_categorical

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

network.fit(train_images, train_labels, epochs=1, batch_size = 128)

【问题讨论】：

哪一行报错了？
它说最后一行
总是将完整的错误消息（从单词“Traceback”开始）作为文本（不是截图，不是链接到外部门户）有问题（不是评论）。还有其他有用的信息。
您预处理数据的方式可能出错，如果问题仍然存在，请发布完整的代码。

标签： python tensorflow machine-learning keras deep-learning

【解决方案1】：

您发布的代码看起来不错，我只是运行它！有用。我认为您在以正确方式导入数据集时遇到问题。我使用 MNIST 数据集来测试您的代码，并在导入行前添加了注释。尝试复制它并告诉我问题是否仍然存在。

from keras import models
from keras import layers
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
from keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

(train_X, train_y), (test_X, test_y) = mnist.load_data() # Load mnist
# I wrote train_X... but changed it later 

network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))

network.compile(optimizer = 'rmsprop', 
           loss = 'categorical_crossentropy', 
           metrics=['accuracy'])

train_images = train_X.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_X.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

train_labels = to_categorical(train_y)
test_labels = to_categorical(test_y)

network.fit(train_images, train_labels, epochs=1, batch_size = 128)

【讨论】：

【解决方案2】：

我已经使用 mnist 运行了代码，我认为问题在于您预处理 train_labels 的方式。您可能正在将函数 to_categorical() 应用于已经导致维度错误的分类数据。
打印train_labels 的尺寸并确保其尺寸类似于(60000, 10)。 60000 可能会有所不同，但元组中的第二个值应该是 10。

【讨论】：