keras载入模型报错ValueError: The channel dimension of the inputs should be defined. Found `None’ ，解决思路

错误详情

用tensorflow2的keras接口写了一个VGG模型，运行后保存模型。第二次运行代码载入该模型时报错。

提示该语句出错

model = tf.keras.models.load_model(r’./model1.h5’)

错误提示

raise ValueError('The channel dimension of the inputs ’
ValueError: The channel dimension of the inputs should be defined. Found None.

其它博主解决方法

先是查了下其他网友的方法

如果在使用keras模型出现ValueError: The channel dimension of the inputs should be defined. Found `None’
表示你要将图像数据格式改为（h,w,channel）,这个可以在
C:\Users\alin.keras下打开keras.json文件
将"image_data_format": “channels_first”, 修改为"image_data_format": “channels_last”,
即可，这个问题一直困扰我很久，希望给大家一些提示吧

原文地址

试了该方法，没有用，而且我的文件这个值就是channels_last，不需要修改。只能从错误提示入手了。
应该是提示我这个 模型的输入没有找到channel维度，重新回去查看下代码。

解决方法

下面是我的模型代码

    #模型构建
    modl = Sequential([
        # 第一层
        layers.Conv2D(64, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第二层
        layers.Conv2D(128, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第三层
        layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
        # 第四层
        layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第五层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        # 第六层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第七层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        # 第八层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        layers.Flatten(),  # 拉直 7*7*512
        # 第九层
        layers.Dense(1024, activation='relu'),
        layers.Dropout(rate=0.5),
        # 第十层
        layers.Dense(128, activation='relu'),
        layers.Dropout(rate=0.5),
        # 第十一层
        layers.Dense(10)]
    )
    
    modl.build(input_shape=[None,256,256,3])
    modl.summary()

    modl.compile(optimizer=optimizers.Adam(learning_rate=0.0001),loss=losses.CategoricalCrossentropy(from_logits=True),metrics=['accuracy'])

    filepath = r"./tempModel.h5"
    #学习率减半
    lr_reducer = tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=5,mode='min', min_lr=1e-20)
    # 保存最优模型
    checkpointer = tf.keras.callbacks.ModelCheckpoint(filepath, monitor='val_accuracy', verbose=0, save_best_only=True, mode='max', period=1, save_weights_only=True)
    #早停
    earlystopper = tf.keras.callbacks.EarlyStopping(
        monitor='val_loss',
        patience=10,
        verbose=0,
        mode='min')
    print("exit")
    history = modl.fit(db_train,epochs=50,validation_data=db_val,validation_freq=1,callbacks=[earlystopper, checkpointer,lr_reducer])
    print("exit1")

    modl.save('./model1.h5')

检查了几遍都觉得没啥问题，困扰了我很久，而且我另外写的一个手写数字集的识别就没有这个问题。尤其是模型的输入地方，检查了很久，modl.build(input_shape=[None,256,256,3])，觉得有这句话应该不会造成输入的维度不对。
直到今天用tf自带的预训练模型和自己写的模型混合起来训练进行模型保存后，居然可以正常载入模型。代码如下：

modl_base = tf.keras.applications.ResNet50(include_top=False,weights='imagenet')
modl =Sequential([])
modl.add(modl_base)
modl.add(layers.GlobalAveragePooling2D())
modl.add(layers.Dense(512,activation='relu'))
modl.add(layers.Dense(100,activation='relu'))
modl.add(layers.Dense(2,activation=tf.nn.softmax))
modl_base.trainable = True
modl.build(input_shape=[None,256,256,3])
modl.summary()

所以意识到应该是我自己写的模型最开始一层是有问题的，对比了一些规范的代码后发现问题应该是我第一层没有用input层，导致模型保存的时候没有正确的保存，正确模型写法如下：

#模型构建
    modl = Sequential([
        layers.Input((256, 256, 3)),
        # 第一层
        layers.Conv2D(64, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第二层
        layers.Conv2D(128, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第三层
        layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
        # 第四层
        layers.Conv2D(256, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第五层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        # 第六层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        # 第七层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        # 第八层
        layers.Conv2D(512, kernel_size=3, strides=1, padding='same', activation='relu'),
        layers.MaxPooling2D(pool_size=2, strides=2),
        layers.Flatten(),  # 拉直 7*7*512
        # 第九层
        layers.Dense(1024, activation='relu'),
        layers.Dropout(rate=0.5),
        # 第十层
        layers.Dense(128, activation='relu'),
        layers.Dropout(rate=0.5),
        # 第十一层
        layers.Dense(33)]
    )
	modl.build(input_shape=[None,256,256,3])
	modl.summary()

就是在第一层之前加上一个 layers.Input((256, 256, 3))。
问题解决了。而且想了下为什么手写数字集的模型没问题，应该是因为那个模型是一个线性模型，没有用的卷积，只有2个维度，所以没有造成冲突，有些情况下那样写也没出错。
大家如果还有问题，欢迎讨论。