機械学習での画像認識（dimentions不一致によるエラー）

前提・実現したいこと

Pythonで画像認識のシステムを学習のため作っています。
以下記載のサイトを参考に自分自身で綾鷹、おーいお茶、伊右衛門の3種のお茶の画像認識をしたいのですが、予測モデルを学習させる際にdimensionsのエラーが出てしまいます。まだ学習し始めの初心者のため、どこの値が４つに足りてないのかいまいち把握できておりません...
どうすればよいでしょうか？

参考：（https://qiita.com/tomo_20180402/items/e8c55bdca648f4877188）

発生している問題・エラーメッセージ

Using TensorFlow backend.
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 298, 298, 32)      896       
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 149, 149, 32)      0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 147, 147, 64)      18496     
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 73, 73, 64)        0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 71, 71, 128)       73856     
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 35, 35, 128)       0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 33, 33, 128)       147584    
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 16, 16, 128)       0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 32768)             0         
_________________________________________________________________
dense_1 (Dense)              (None, 512)               16777728  
_________________________________________________________________
dense_2 (Dense)              (None, 3)                 1539      
=================================================================
Total params: 17,020,099
Trainable params: 17,020,099
Non-trainable params: 0
_________________________________________________________________
Traceback (most recent call last):
  File "model-construct.py", line 54, in <module>
    validation_data=(X_test,y_test))
  File "/ホームディレクトリパス/.pyenv/versions/anaconda3-4.4.0/lib/python3.6/site-packages/keras/engine/training.py", line 952, in fit
    batch_size=batch_size)
  File "/ホームディレクトリパス/.pyenv/versions/anaconda3-4.4.0/lib/python3.6/site-packages/keras/engine/training.py", line 751, in _standardize_user_data
    exception_prefix='input')
  File "/ホームディレクトリパス/.pyenv/versions/anaconda3-4.4.0/lib/python3.6/site-packages/keras/engine/training_utils.py", line 128, in standardize_input_data
    'with shape ' + str(data_shape))
ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (0, 1)

該当のソースコード

python
1#ラベリングによる学習/検証データの準備
2
3from PIL import Image
4import os, glob
5import numpy as np
6import random, math
7
8#画像が保存されているルートディレクトリのパス
9root_dir = "./img/"
10# 商品名
11categories = ["綾鷹","お〜いお茶","伊右衛門"]
12
13# 画像データ用配列
14X = []
15# ラベルデータ用配列
16Y = []
17
18#画像データごとにadd_sample()を呼び出し、X,Yの配列を返す関数
19def make_sample(files):
20    global X, Y
21    X = []
22    Y = []
23    for cat, fname in files:
24        add_sample(cat, fname)
25    return np.array(X), np.array(Y)
26
27#渡された画像データを読み込んでXに格納し、また、
28#画像データに対応するcategoriesのidxをY格納する関数
29def add_sample(cat, fname):
30    img = Image.open(fname)
31    img = img.convert("RGB")
32    img = img.resize((300, 300))
33    data = np.asarray(img)
34    X.append(data)
35    Y.append(cat)
36
37#全データ格納用配列
38allfiles = []
39
40#カテゴリ配列の各値と、それに対応するidxを認識し、全データをallfilesにまとめる
41for idx, cat in enumerate(categories):
42    image_dir = root_dir + "/" + cat
43    files = glob.glob(image_dir + "/*.jpg")
44    for f in files:
45        allfiles.append((idx, f))
46
47#シャッフル後、学習データと検証データに分ける
48random.shuffle(allfiles)
49th = math.floor(len(allfiles) * 0.8)
50train = allfiles[0:th]
51test  = allfiles[th:]
52X_train, y_train = make_sample(train)
53X_test, y_test = make_sample(test)
54xy = (X_train, X_test, y_train, y_test)
55#データを保存する（データの名前を「tea_data.npy」としている）
56np.save("tea_data.npy", xy)
57
58

python
1#モデルの構築
2
3from keras import layers, models
4
5model = models.Sequential()
6model.add(layers.Conv2D(32,(3,3),activation="relu",input_shape=(300,300,3)))
7model.add(layers.MaxPooling2D((2,2)))
8model.add(layers.Conv2D(64,(3,3),activation="relu"))
9model.add(layers.MaxPooling2D((2,2)))
10model.add(layers.Conv2D(128,(3,3),activation="relu"))
11model.add(layers.MaxPooling2D((2,2)))
12model.add(layers.Conv2D(128,(3,3),activation="relu"))
13model.add(layers.MaxPooling2D((2,2)))
14model.add(layers.Flatten())
15model.add(layers.Dense(512,activation="relu"))
16model.add(layers.Dense(3,activation="sigmoid")) #分類先の種類分設定
17
18#モデル構成の確認
19model.summary()
20
21#モデルのコンパイル
22
23from keras import optimizers
24
25model.compile(loss="binary_crossentropy",
26              optimizer=optimizers.RMSprop(lr=1e-4),
27              metrics=["acc"])
28
29
30#データの準備
31
32from keras.utils import np_utils
33import numpy as np
34
35categories = ["綾鷹","お〜いお茶","伊右衛門"]
36nb_classes = len(categories)
37
38X_train, X_test, y_train, y_test = np.load("./tea_data.npy")
39
40#データの正規化
41X_train = X_train.astype("float") / 255
42X_test  = X_test.astype("float")  / 255
43
44#kerasで扱えるようにcategoriesをベクトルに変換
45y_train = np_utils.to_categorical(y_train, nb_classes)
46y_test  = np_utils.to_categorical(y_test, nb_classes)
47
48#モデルの学習
49
50model = model.fit(X_train,
51                  y_train,
52                  epochs=10,
53                  batch_size=6,
54                  validation_data=(X_test,y_test))
55
56