我正在尝试使用启用了GPU的Tensorflow后端的Keras训练一个包含3层Dense神经网络的模型。
我的数据集有400万张20×40像素的图像，我将它们放置在以它们所属类别命名的目录中。
由于数据量巨大，我无法将所有数据一次性加载到RAM中并输入到模型中，因此我想使用Keras的ImageDataGenerator，特别是flow_from_directory()函数来解决这个问题。这会生成一个(x, y)的元组，其中x是图像的numpy数组，y是图像的标签。
我期望模型能够访问numpy数组作为输入，因此我设置了输入形状为：(None,20,40,3)，其中None是批量大小，20和40是图像的尺寸，3是图像的通道数。然而，这并不起作用，因为当我尝试训练模型时，我不断收到错误：ValueError: 检查目标时出错：期望dense_3具有4维度，但得到形状为(1024, 2)的数组
我知道原因是它从flow_from_directory获取了元组，我想我可以更改输入形状以匹配，但是我担心这会使我的模型失去作用，因为我将使用图像进行预测而不是预分类元组。所以我的问题是，如何让flow_from_directory将图像输入我的模型，并仅使用元组来验证其训练？我在这里是否有什么误解？
作为参考，这里是我的代码：
from keras.models import Modelfrom keras.layers import *from keras.preprocessing.image import ImageDataGeneratorfrom keras.callbacks import TensorBoard# 准备图像数据生成器。train_datagen = ImageDataGenerator()test_datagen = ImageDataGenerator()train_generator = train_datagen.flow_from_directory( '/path/to/train_data/', target_size=(20, 40), batch_size=1024,)test_generator = test_datagen.flow_from_directory( '/path/to/test_data/', target_size=(20, 40), batch_size=1024,)# 定义输入张量。input_t = Input(shape=(20,40,3))# 现在创建层并将输入张量传递给它。hidden_1 = Dense(units=32, activation='relu')(input_t)hidden_2 = Dense(units=16)(hidden_1)prediction = Dense(units=1)(hidden_2)# 现在将所有部分组合在一起并创建模型。model = Model(inputs=input_t, outputs=prediction)model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])# 准备Tensorboard回调并开始训练。tensorboard = TensorBoard(log_dir='./graph', histogram_freq=0, write_graph=True, write_images=True)print(test_generator)model.fit_generator( train_generator, steps_per_epoch=2000, epochs=100, validation_data=test_generator, validation_steps=800, callbacks=[tensorboard])# 保存训练后的模型。model.save('trained_model.h5')回答：
您的Dense层输入形状设置错误。
Dense层期望输入形状为(None,length)。
您需要将输入重塑为向量：
imageBatch=imageBatch.reshape((imageBatch.shape[0],20*40*3))或者使用卷积层，这类层期望输入形状为(None,nRows,nCols,nChannels)，如在tensorflow中那样。
