你好，我在使用这段代码时遇到了错误
ValueError: Data cardinality is ambiguous: x sizes: 150000y sizes: 50000Make sure all arrays contain the same number of samples.我尝试更改了reshape选项，甚至使用了numpy.transpose，但都没有用，有人能帮我吗？
import numpy as npimport tensorflow as tffrom tensorflow.keras import datasets, layers, modelsfrom tensorflow.keras.layers import Dense, Dropout, Activation, Flatten, Conv2D, MaxPooling2D(x_train, y_train) , (x_test, y_test) = datasets.cifar10.load_data()#x_train.shape #(50000, 32, 32, 3) #x_test.shape #(10000, 32, 32, 3)x_train = x_train.reshape(-1, 32, 32, 1)x_test = x_test.reshape(-1, 32, 32 ,1)x_train = x_train.astype('float32') # change integers to 32-bit floating point numbers x_test = x_test.astype('float32')x_train /= 255.0 x_test /= 255.0model = tf.keras.models.Sequential() model.add(tf.keras.layers.Conv2D(32, (3, 3), padding='same', activation='relu')) model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2,2))) model.add(tf.keras.layers.Conv2D(64, (3, 3), padding='same', activation='relu')) model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2,2))) model.add(tf.keras.layers.Conv2D(128, (3, 3), padding='same', activation='relu')) model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2,2)))model.add(tf.keras.layers.Conv2D(256, (3, 3), padding='same', activation='relu')) model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2,2)))model.add(tf.keras.layers.Conv2D(512, (3, 3), padding='same', activation='relu')) model.add(tf.keras.layers.MaxPooling2D(pool_size=(2, 2), strides=(2,2)))model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(512, activation=tf.nn.relu)) model.add(tf.keras.layers.Dense(512, activation=tf.nn.relu))model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax)) model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy']) model.build(input_shape=(512,32,32,1)) model.summary() model.fit(x_train, y_train, batch_size=1000, epochs=1) score = model.evaluate(x_test, y_test) print('Test loss:', score[0]) print('Test accuracy:', score[1])predictions = model.predict([x_test])#print(predictions)print(np.argmax(predictions[0]))img_path = x_test[0]print(img_path.shape)if(len(img_path.shape) == 3):plt.imshow(np.squeeze(img_path))elif(len(img_path.shape) == 2):plt.imshow(img_path)else:print("Higher dimensional data")回答：
你需要做一些更改。我会为你写一个例子
更改内容：
- 你不需要重塑x_train, x_test，因为它们已经是正确的形状。
- 使用
tf.keras.layers.InputLayer总是一个好主意，而不是后来构建模型。 - 我没有做这个更改，但只要有可能，你应该使用
tf.keras.Sequential来构建模型。（更易读，更不容易出错）。Functional api（或你当前的方法）适用于需要构建复杂架构的情况。 - 你现在可以增加模型（更多层）。我只用了几个层来给你展示一个例子。
InputLayer中的input_shape被认为是(batch_size, img_width, img_height, img_channels)，由于batch_size可能是非统一的，因此默认被视为None，所以我们不提供它，因此我们只传递(img_width, img_height, img_channels)，因为你的输入具有32宽32高和3个通道，我们传递(32, 32, 3)。
如果这解决了你的问题，请投票或给一个绿色勾选。
