你好，我构建了一个深度神经网络（DNN）来对图像中的某些对象进行分类，利用对象的特征，如下所示：
contours, _ = cv2.findContours(imgthresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)for contour in contours: features = np.array([]) (x_start, y_start, character_width, character_height) = cv2.boundingRect(contour) x_end = x_start + character_width y_end = y_start + character_height character_area = character_width * character_height features = np.append(features, [character_width, character_height, character_area, x_start, y_start, x_end, y_end, image_width, image_height]) print(features) print(features.shape) cv2.rectangle(image, (x_start, y_start), (x_end, y_end), (0, 255, 0), thickness=1)print(features) 的输出是：
[ 5. 1. 5. 105. 99. 110. 100. 100. 117.]而 print(features.shape) 的输出是：
(9,)我使用以下代码构建并训练了一个 DNN：
model = Sequential()model.add(Dense(50, input_dim=9, activation='relu'))model.add(Dropout(0.5))model.add(Dense(40, activation='relu'))model.add(Dropout(0.5))model.add(Dense(30,activation='relu'))model.add(Dense(2, activation='softmax'))输入层有9个输入特征。因此，我尝试使用以下代码获取模型的预测结果：
model.predict_classes(features)训练数据是一个CSV文件，包含10列（9个特征和1个输出）
我得到了以下错误：
ValueError: Error when checking input: expected dense_1_input to have shape (9,) but got array with shape (1,)我尝试通过以下方式重塑特征数组：
np.reshape(features,(1,9)但这也没有奏效。我在这个领域还是新手
回答：
这是一个最小的工作示例。
import numpy as npimport tensorflow as tfdef main(): features = np.array([5, 1, 5, 105, 99, 110, 100, 100, 117]) model = tf.keras.Sequential() model.add(tf.keras.layers.Dense(50, input_dim=9, activation="relu")) print(tf.expand_dims(features, 0)) print(np.reshape(features, (1, 9))) print(model.predict_classes(np.reshape(features, (1, 9))))if __name__ == '__main__': main()如你所见，np.reshape 的调用使其工作。它大致相当于 tf.expand_dims。
你当前的错误源于你的模型期望有一个批次维度。因此，如果你传递了一个形状为 (9,) 的数组，它会推断这是一个标量批次，而不是一个大小为9的单一数组。
