我正在尝试实现一个神经网络，其中我将一个全连接神经网络与一个卷积神经网络合并/连接。但是当我拟合模型时，我遇到了以下错误：
ValueError: 所有输入数组（x）应该具有相同数量的样本。得到的数组形状为：[(1, 100, 60, 4500), (100, 4500)]
我有两个不同的输入：
-
图像（尺寸：1,100,60,4500），其中1是通道，100是样本数，60*4500是我的图像的尺寸。这将输入到我的卷积神经网络
-
位置（尺寸：100,4500）：其中100指的是样本数。
我的输出的维度是100,2。
我的神经网络的代码是：
###Convolution neural networkb1 = Sequential()b1.add(Conv2D(128*2, kernel_size=3,activation='relu',data_format='channels_first', input_shape=(100,60,4500)))b1.add(Conv2D(128*2, kernel_size=3, activation='relu'))b1.add(Dropout(0.2))b1.add(Conv2D(128*2, kernel_size=4, activation='relu'))b1.add(Dropout(0.2))b1.add(Flatten())b1.summary()###Fully connected feed forward neural networkb2 = Sequential()b2.add(Dense(64, input_shape = (4500,), activation='relu'))b2.add(Dropout(0.1))b2.summary()model = Sequential()###Concatenating the two networksconcat = concatenate([b1.output, b2.output], axis=-1)x = Dense(256, activation='relu', kernel_initializer='normal')(concat)x = Dropout(0.25)(x)output = Dense(2, activation='softmax')(x)model = Model([b1.input, b2.input], [output])model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adam(), metrics=['accuracy'])history = model.fit([image, positions], Ytest, batch_size=10, epochs=1, verbose=1)另外，我的’图像’数组是四维的原因是最初它只是(100,60,4500)，但后来我遇到了以下错误：
ValueError: 检查输入时出错：期望conv2d_10_input具有4个维度，但得到的数组形状为(100, 60, 4500)
通过谷歌搜索，我发现它也需要通道数作为输入。在我添加了通道数后，这个错误消失了，但随后我遇到了开始时提到的另一个错误。
所以有人能告诉我如何解决这个错误（我一开始指定的那个）吗？将不胜感激。
回答：
您的样本数（批量大小）始终应该是第一个维度。因此，您的数据应该具有形状(100, 1, 60, 4500)用于图像，(100, 4500)用于位置。对于Conv2D层，channels_first参数意味着通道是第一个非批量维度。
您还需要将第一个Conv2D层的输入形状更改为(1, 60, 4500)。
