ValueError: Input 0 is incompatible with layer flatten_2: expected min_ndim=3, found ndim=2

Question

ValueError: Input 0 is incompatible with layer flatten_2: expected min_ndim=3, found ndim=2

画像分類をしようとすると上記のようなエラーが出ました．

CNNをはじめて実装したので，原因がよくわかっていません．

わかる方．宜しくお願い致します．

#https://qiita.com/hiroeorz@github/items/ecb39ed4042ebdc0a957

from keras.models import Sequential
from keras.layers.convolutional import Conv2D
from keras.layers import Activation, Dense, Dropout, Flatten, MaxPooling2D
from keras.utils.np_utils import to_categorical
from keras.optimizers import Adagrad
from keras.optimizers import Adam
from keras.models import load_model
from keras.callbacks import EarlyStopping, ModelCheckpoint, CSVLogger
import numpy as np
from PIL import Image
import os
import time
import csv


start_time = time.time()
print("開始時刻: " + str(start_time))

# 学習用のデータを作る.
image_list = []
label_list = []

#ハイパーパラメータ
#画像サイズ
x = 120
y = 120
A = x*y #入力のノード数
#エポック数
B = 500
#バッチサイズ
BATCH_SIZE = 32
#学習率
LR = 0.00001
#出力ノード数
output =9


# ./data/train 以下のa,b,cのディレクトリ以下の画像を読み込む。
for dir in os.listdir("data/train"):
    if dir == ".DS_Store":
        continue

    dir1 = "data/train/" + dir 
    label = 0

    if dir == "a":    # 左下に最大応力：ラベル0
        label = 0
    elif dir == "b": # 右下に最大応力：ラベル1
        label = 1
    elif dir == "c": # 右下に最大応力：ラベル1
        label = 2
    elif dir == "d": # 右下に最大応力：ラベル1
        label = 3
    elif dir == "e": # 右下に最大応力：ラベル1
        label = 4
    elif dir == "f": # 右下に最大応力：ラベル1
        label = 5
    elif dir == "g": # 右下に最大応力：ラベル1
        label = 6
    elif dir == "h": # 右下に最大応力：ラベル1
        label = 7
    elif dir == "i": # 右下に最大応力：ラベル1
        label = 8


    for file in os.listdir(dir1):
        if file != ".DS_Store":
            label_list.append(label) #わからない
            filepath = dir1 + "/" + file
            image = np.array(Image.open(filepath).resize((x, y)))
            print(image.shape)
            print(filepath)
            image =np.reshape(image, A)
            print(image.shape)
            print('\n')
            image_list.append(image / 255.)


# kerasに渡すためにnumpy配列に変換。
image_list = np.array(image_list)




# ラベルの配列を1と0からなるラベル配列に変更
# 0 -> [1,0], 1 -> [0,1] という感じ。
Y = to_categorical(label_list) #わからない

print("入力データの確認")
print(image_list.shape)
#np.savetxt("check/input_data_pixel.csv",image_list,delimiter=",")
#print("ラベルデータの確認")   
print(image_list.shape)
#np.savetxt("check/label_data.csv",Y,delimiter=",")
#CNNの入力は4次元テンソルなので4次元テンソルに変換
image_list =np.expand_dims(image_list, axis=-1)


# モデルを生成してニューラルネットを構築
model = Sequential()

model.add(Conv2D(32,kernel_size=3,input_shape=(x,y,1),kernel_initializer='random_normal',bias_initializer='zeros')) #畳み込み層#32:カーネル数　3×3：カーネルサイズ
model.add(Activation('relu'))
model.add(Conv2D(32,kernel_size=3,kernel_initializer='random_normal',bias_initializer='zeros'))#畳み込み層
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))#プーリング層
model.add(Dropout(0.25))

model.add(Conv2D(64,kernel_size=3,kernel_initializer='random_normal',bias_initializer='zeros'))#畳み込み層
model.add(Activation('relu'))
model.add(Conv2D(64,kernel_size=3,kernel_initializer='random_normal',bias_initializer='zeros'))#畳み込み層
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))#プーリング層
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(100)) #全結合層
model.add(Activation('relu'))
model.add(Dropout(0.5))

model.add(Flatten())
model.add(Dense(10)) #全結合層
model.add(Activation('relu'))
model.add(Dropout(0.0))


model.add(Dense(output))
model.add(Activation("softmax"))

# オプティマイザ（最適化）にAdamを使用
opt = Adam(lr=LR)
# モデルをコンパイル
model.compile(loss="categorical_crossentropy", optimizer=opt, metrics=["accuracy"]) #わからない
#CSVに各エポックの学習結果の保存
csv_logger = CSVLogger('result/training.csv')
# 学習を実行。20%はテストに使用。
history = model.fit(image_list, Y, nb_epoch=B,verbose=1,callbacks=[csv_logger], batch_size=BATCH_SIZE, validation_split=0.3) 



# テスト用ディレクトリ(./data/train/)の画像でチェック。正解率を表示する。
total = 0.
ok_count = 0.
#最終の学習結果の表示
loss, accuracy = model.evaluate(image_list, Y)
print("\nloss:{} accuracy:{}".format(loss, accuracy))
#最終の学習結果を書き込む
fp = open("result/RESULT.txt","w")
fp.write("\nloss:{} accuracy:{}".format(loss, accuracy))
fp.close()
#正解率の書き込み
f = open("result/ANSWER.txt","w")

for dir in os.listdir("data/train"):
    if dir == ".DS_Store":
        continue

    dir1 = "data/test/" + dir 
    label = 0

    if dir == "a":    # 左下に最大応力：ラベル0
        label = 0
    elif dir == "b": # 右下に最大応力：ラベル1
        label = 1
    elif dir == "c": # 右下に最大応力：ラベル1
        label = 2
    elif dir == "d": # 右下に最大応力：ラベル1
        label = 3
    elif dir == "e": # 右下に最大応力：ラベル1
        label = 4
    elif dir == "f": # 右下に最大応力：ラベル1
        label = 5
    elif dir == "g": # 右下に最大応力：ラベル1
        label = 6
    elif dir == "h": # 右下に最大応力：ラベル1
        label = 7
    elif dir == "i": # 右下に最大応力：ラベル1
        label = 8


    for file in os.listdir(dir1):
        if file != ".DS_Store":
            label_list.append(label)
            filepath = dir1 + "/" + file
            image = np.array(Image.open(filepath).resize((x, y)))
            print(filepath)
            image =np.reshape(image, A)
            result = model.predict_classes(np.array([image / 255.]))
            print("label:", label, "result:", result[0])
            L = label
            R = result[0]
            f.write(filepath)
            f.write("\nlabel:{} result:{}\n".format(L, R) )
            total += 1.

            if label == result[0]:
                ok_count += 1.




print("正答率: ", ok_count / total * 100, "%")
SEIKAI =ok_count / total * 100
f.write("\n正答率:{}".format(SEIKAI))

end_time = time.time()
print("終了時刻: ",end_time)
print ("かかった時間: ", (end_time - start_time))

ttime = end_time - start_time
fa = open("result/TIME.txt","w")
fa.write("\nかかった時間:{} ".format(ttime))
fa.close()

Answer 1

Flatten()は、直前のConv層の3次元出力を1次元に平滑します。

すでに1度平滑化しており、Dense層に通した出力は1次元です。
よって、2つ目(エラーメッセージにも"flatten_2"とありますね)のFlatten層をなくせば、解決すると思われます。

ちなみに、"found ndim=2"というのは、(batch_size,output_of_dense)というshapeを持つ入力を受け取ったということです。
Dense層の出力は1次元と前述したので、念のため。