ValueError：层“dense_2”需要 1 个输入，但它收到了 2 个输入张量

我无法加载我的模型，它一直显示错误
ValueError：层“dense_2”需要 1 个输入，但它收到了 2 个输入张量。收到的输入： [<KerasTensor shape=(None, 7, 7, 1280), dtype=float32,稀疏=False, name=keras_tensor_2896>, <KerasTensor shape=(None, 7, 7, 1280), dtype=float32,稀疏=False，name=keras_tensor_2897>]

这是我的代码

image_generator = ImageDataGenerator(
    rescale=1./255,
    rotation_range=20,
    zoom_range=0.2,
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True,
    validation_split=0.2
)

train_dataset = image_generator.flow_from_directory(
    directory=path_to_dataset,
    target_size=(224, 224),
    batch_size=32,
    subset='training'
)

validation_dataset = image_generator.flow_from_directory(
    directory=path_to_dataset,
    target_size=(224, 224),
    batch_size=32,
    subset='validation'
)

# Menentukan jumlah kelas (num_classes) berdasarkan jumlah subfolder dalam dataset
num_classes = len(train_dataset.class_indices)

from tensorflow.keras.applications.mobilenet import MobileNet

# Load the MobileNet model
pre_trained_model = tf.keras.applications.MobileNetV2(input_shape=(224, 224, 3),
                                                      include_top=False,
                                                      weights='imagenet')


pre_trained_model.summary()

# Print dataset information for debugging
print(f"Training dataset shape: {train_dataset.image_shape}")
print(f"Validation dataset shape: {validation_dataset.image_shape}")

pre_trained_model.trainable = False

# Menambahkan layer kustom di atas model pre-trained
model = tf.keras.Sequential([
    pre_trained_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(1024, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(num_classes, activation='softmax') 
])

# Compile model
#from tensorflow.keras.optimizers import RMSprop
model.compile(optimizer=Adam(learning_rate=0.0001),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# batch=40
# history = model.fit(train_dataset,
#               validation_data=validation_dataset,
#               epochs=20,
#               steps_per_epoch = train_dataset.samples//batch,
#               validation_steps = validation_dataset.samples//batch,
#               verbose = 1
#           )

epochs = 20
batch_size = 32

for epoch in range(epochs):
    print(f"Epoch {epoch + 1}/{epochs}")
    
    # Training 
    # Use model.fit for training instead of manual iteration
    history = model.fit(
        train_dataset,
        epochs=1,  # Train for one epoch at a time within the outer loop
        validation_data=validation_dataset,
        steps_per_epoch=train_dataset.samples // batch_size,
        validation_steps=validation_dataset.samples // batch_size,
        verbose=1
    )

    # Validation - This part can remain the same
    val_loss, val_accuracy = model.evaluate(validation_dataset)
    print(f"Validation - Loss: {val_loss:.4f}, Accuracy: {val_accuracy:.4f}")

print("Training complete.")from keras.models import load_model
model_save_path = '/content/drive/MyDrive/Machine Learning/saved_models/model_plastik.h5'
model.save(model_save_path,save_format='keras')

model.summary()
print(f'Model disimpan di: {model_save_path}')

# Load the model
model_save_path = '/content/drive/MyDrive/Machine Learning/saved_models/model_plastik.h5'

# Load the model, ensuring it's compiled if needed
loaded_model = tf.keras.models.load_model(model_save_path) 

# Now you can modify the loaded model if necessary
# For example, if you want to extract a sub-model:
input_layer_index = 0  # Replace with the actual index
dense_2_index = 3  # Replace with the actual index
loaded_model = tf.keras.models.Model(inputs=loaded_model.layers[input_layer_index].input, 
                                     outputs=loaded_model.layers[dense_2_index].output)

# Check the configuration of the loaded model
for i, layer in enumerate(loaded_model.layers):
    print(f"Layer {i}: {layer.name} - Input shape: {layer.input_shape} - Output Shape: {layer.output_shape}")

print("Revised model loaded successfully.")

我尝试加载模型，我希望它加载以进行测试

错误信息“ValueError：层“dense_2”需要 1 个输入，但它收到了 2 个输入张量”表明正在尝试将两个输入传递给的模型中应该只接收一个输入的层。这可能是由于如何从 MobileNetV2 模型中提取和使用子模型的方式造成的。

以下是如何解决此问题的步骤：

1. 加载模型时不要提取子模型：

当前的代码在加载保存的模型后会立即提取一个子模型。这可能会导致问题，因为它会更改模型的预期输入结构。首先，尝试加载完整的模型，而无需提取任何层：

python loaded_model = tf.keras.models.load_model(model_save_path)

1. 检查加载模型的摘要：

加载完整模型后，打印其摘要以了解其结构和输入/输出形状：

python loaded_model.summary()

1. 如果需要，请修改输入/输出：

如果需要使用 loaded_model 的一部分进行预测或进一步的训练，则可以定义一个新的模型，该模型将 loaded_model 的特定层作为输入和输出。例如，如果想从 dense_2 层获取输出，可以这样做：

```python from tensorflow.keras.models import Model

intermediate_layer_model = Model(inputs=loaded_model.input, outputs=loaded_model.get_layer('dense_2').output) ```

这将创建一个名为 intermediate_layer_model 的新模型，该模型以与 loaded_model 相同的输入作为输入，但输出 dense_2 层的输出。

确保以下内容：

• 的输入数据形状与加载的模型的输入层预期形状相匹配。
• 如果修改模型以提取子模型或添加新层，请确保新模型的输入和输出定义正确。

通过按照上述步骤操作，应该能够解决该错误并成功加载和使用保存的模型。如果有任何进一步的问题或需要更多帮助，请随时提供更多上下文或代码片段，以便我能够为提供更具体的指导。