我正在使用Keras的内置inception_resnet_v2训练CNN来识别图像。训练模型时，我将输入数据的数量为numpy，其输入形状为（1000、299、299、3），
model.fit(x=X, y=Y, batch_size=16, ...) # Output shape `Y` is (1000, 6), for 6 classes
首先，在尝试预测时，我传递了单个形状的图像（299、299、3），但是出现了错误
ValueError：检查输入时出错：预期input_1具有4个维度，但数组的形状为（299，299，3）
我用以下命令重塑了输入内容：
x = np.reshape(x, ((1, 299, 299, 3)))
现在，当我预测时
y = model.predict(x, batch_size=1, verbose=0)
我没有错。
我想确保我在训练和预测中都能正确理解
batch_size。我的假设是：1）使用
model.fit，Keras从输入数组中获取batch_size元素（在这种情况下，它一次处理我的1000个示例16个样本）2）使用
model.predict，我应该将输入重塑为单个3D数组，并且应该将batch_size显式设置为1。这些假设正确吗？
另外，向模型提供训练数据是否更好（甚至可能），以使在预测之前不需要进行这种重塑？感谢您帮助我学习这一点。
最佳答案
不，你的想法错了。 batch_size指定一次通过网络“转发”多少个数据示例（通常使用GPU）。
默认情况下，此值在32方法中设置为model.predict，但您可以指定其他方式（与batch_size=1相同）。由于存在此默认值，因此出现错误：
ValueError：检查输入时出错：预期input_1具有4
尺寸，但具有形状的数组（299、299、3）
您不应以这种方式重塑输入内容，而应为它提供正确的批处理大小。
假设，在默认情况下，您将传递形状为(32, 299, 299, 3)的数组，类似于不同的batch_size，例如使用batch_size=64时，此功能要求您传递形状为(64, 299, 299, 3的输入。
编辑：
看来您需要将单个样本重塑为一批。我建议您使用np.expand_dims来提高代码的可读性和可移植性，如下所示：
y = model.predict(np.expand_dims(x, axis=0), batch_size=1)
关于python - 我在Keras中正确理解batch_size吗？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/55212576/