ValueError：conv3d_8层的输入0与该层不兼容：：预期的min_ndim = 5，找到的ndim = 4收到完整的图形：[无，4、150、150]

如何解决ValueError：conv3d_8层的输入0与该层不兼容：：预期的min_ndim = 5，找到的ndim = 4收到完整的图形：[无，4、150、150]

我正在尝试在Keras中训练3D CNN模型，但是在执行单元格时出现此错误：

ValueError: Input 0 of layer conv3d_8 is incompatible with the layer: : expected min_ndim=5,found ndim=4. Full shape received: [None,4,150,150]

我的输入数据是一个包含图像数据的numpy数组。以下是形状（我知道53太少了，但是仅用于研究目的）：

Training data shape:  (53,150)
Training labels shape:  (53,1)
Validation data shape:  (14,150)
Validation labels shape:  (14,1)

我要使用的模型是：

# Create the model
model = Sequential()
model.add(Conv3D(32,kernel_size=(3,3,3),activation='relu',kernel_initializer='he_uniform',input_shape=(4,150)))
model.add(MaxPooling3D(pool_size=(2,2,2)))
model.add(BatchNormalization(center=True,scale=True))
model.add(Dropout(0.5))
model.add(Conv3D(64,kernel_initializer='he_uniform'))
model.add(MaxPooling3D(pool_size=(2,scale=True))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(4,activation='softmax'))

# Compile the model
model.compile(loss='categorical_crossentropy',optimizer=keras.optimizers.Adam(lr=0.001),metrics=['accuracy'])
model.summary()
# Fit data to model
history = model.fit(treino3d,treino3d_labels,epochs=40)

有人可以帮忙吗？

非常感谢！

解决方法

看来您不需要Conv3D层来完成此任务。改为使用Conv2D，并且在kernel_size和pool_size中仅使用1或2个值。

model = Sequential()
model.add(Conv2D(32,kernel_size=(3,3),activation='relu',kernel_initializer='he_uniform',input_shape=(4,150,150)))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(BatchNormalization(center=True,scale=True))
model.add(Dropout(0.5))
model.add(Conv2D(64,kernel_initializer='he_uniform'))
model.add(MaxPooling2D(pool_size=(2,scale=True))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(256,kernel_initializer='he_uniform'))
model.add(Dense(4,activation='softmax'))

您的渠道维度排在第一位，因此您需要告诉Keras。使用此行：

tf.keras.backend.set_image_data_format('channels_first')

或在每个Conv2D或MaxPooling2D层中设置此参数：

data_format='channels_first'

或将输入张量的尺寸置换为形状(54,4)：

np.transpose(x,(0,2,3,1))

功能齐全，已更正的示例：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
from tensorflow.keras.layers import *
import numpy as np
from tensorflow.keras.models import Sequential

xtrain = np.random.rand(53,4,150)
ytrain = np.random.randint(0,(53,1))

xtrain = np.transpose(xtrain,1))

model = Sequential()
model.add(Conv2D(8,input_shape=xtrain.shape[1:]))
model.add(MaxPooling2D(pool_size=(2,scale=True))
model.add(Dropout(0.5))
model.add(Conv2D(8,scale=True))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(32,kernel_initializer='he_uniform'))
model.add(Dense(32,activation='softmax'))

model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
model.summary()

history = model.fit(xtrain,ytrain,epochs=1)

32/53 [=================>............] - ETA: 2s - loss: 1.8215 - acc: 0.2812
53/53 [==============================] - 5s 91ms/sample - loss: 1.9651 - acc: 0.2264

,

1. 第一个答案是正确的。我记得（我几年没有使用MRI），每个切片由4个通道表示，通道中的每个体素都包含有关相同身体位置的信息。因此，对4个通道的图像应用2D卷积是正确的方法。
2. 对于2D卷积，我建议使用input_shape = （150,4）定义输入，甚至将其定义为input_shape =（None，None，4）-这是更通用的。因此，您无需使用 channel_first 或 channel_last 配置。我记得 channel_last 是默认格式
3. 如果您坚持使用Conv3d，则输入形状应为：input_shape = （150,1）或（无，无，无，1） 火车组应遵循以下形状： np.random.rand（53，150，150，4，1）