我有一个数据集，我对其应用了train_test_split。X的形状如下：
print(X_train.shape)print(X_test.shape)输出：
(1945, 10000)(487, 10000)由于X是numpy数组，需要将其转换为图像（3D），以便稍后应用神经网络。因此，我应用了以下操作：
X_train_3d = X_train.reshape(X_train.shape[0],100,100).astype('float32') # X_train.shape[1] = 10000 ; # 其中10000 = 100*100;X_test_3d = X_test.reshape(X_test.shape[0],100,100).astype('float32')print(X_train_3d.shape)print(X_test_3d.shape)于是，我得到了预期的结果：
(1945, 100, 100)(487, 100, 100)然后我按照这种方式构建了神经网络：
model = keras.Sequential([ keras.layers.Flatten(input_shape=(100, 100)), # 图像的宽度和高度为100,100 keras.layers.Dense(128, activation='relu'), keras.layers.Dense(39) # 目标总数为39])model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])model.fit(X_train_3d, y_train, epochs=10)现在，我正在处理另一个数据集，并试图应用类似的逻辑。分割后：
print(X_train.shape)print(X_test.shape)输出：
(1945, 1800)(487, 1800)现在，我不明白如何定义reshape操作，如下所示：
X_train_3d = X_train.reshape(X_train.shape[0],?,?).astype('float32') 因为1800的平方根不是整数。如何将其转换为3D，以便我能够像之前一样构建神经网络？
回答：
唯一能让它运行的方法是不使用CNN。然后，你就不需要重塑。推测性的重塑只会产生随机像素。
import numpy as npimport tensorflow as tffrom tensorflow.keras.layers import Densefrom tensorflow.keras.models import SequentialX = np.random.randint(0, 256, (1945, 1800)) # 伪数据y = np.random.randint(0, 38, 1945)model = Sequential([ Dense(128, activation='relu', input_shape=(1800,)), Dense(39)])model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy( from_logits=True), metrics=['accuracy'])hist = model.fit(X, y, epochs=10)理想情况下，你应该修正你的数据，然后你就可以运行CNN，这是这个任务的最佳模型。CNN能够保持像素之间的2D关系，这将非常棒，但如果你不知道正确的形状，你的像素之间就没有关系。
