ظهور الخطأ ValueError: Error when checkingModelTarget: expected dense_3 to haveFast (None, 1) but got array with shape (10000, 10)  في كيراس Keras

الخطأ في استخدامك ل sparse_categorical_crossentropy في تجميع النموذج بعد أن قمت بتحميله. إن نموذجك الأساسي يستخدم categorical_crossentropy الذي يتعامل مع أهداف "target" مرمزة بترميز One-Hot. وهذا ماتم من خلال التابع np.utils.to_categorical بينما sparse_categorical_crossentropy تتوقع منك أن يكون ترميز الأهداف بالترميز الصحيح Integer Encoding ولهذا السبب يحتج كيراس لاستخدامك sparse_categorical_crossentropy. حيث يتوقع أبعاد (1, ؟) لل y_test، بينما أنت تقدم له أبعاد (10, ؟) لذا يجب أن تستخدم هنا categorical_crossentropy:

model.compile(
  ...,
  loss='categorical_crossentropy'
)

أو:

y_test = np.argmax(y_test)

وهناك مسألة مشابهة لها تجدها في هذا الرابط:
https://academy.hsoub.com/questions/16732-ظهور-الخطأ invalidargumenterror- logits-and-labels-must-have-the-same-first-dimension-في-كيراس-keras/

المشكلة تكمن في شكل ترميز البيانات وعدم استخدامك لدالة loss مناسبة لحسابها، وهذا الاختلاف ما بين sparse_categorical_crossentropy  و categorical_crossentropy حيث ان categorical_crossentropy تتوقع ان الترميز بين 0 و 1، وهو الشكل الذي قمت بالترميز اليه سابقا.

لذلك كل ما عليك هو تعديل 

loss='sparse_categorical_crossentropy'

لتصبح:

loss='categorical_crossentropy'

ويكون الكود السليم كالتالي:

K.set_image_dim_ordering('th')
numpy.random.seed(7)
from keras.datasets import mnist
# تحميل البيانات
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# تحضير البيانات
X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)
X_test = X_test.reshape(X_test.shape[0], 1, 28, 28)
X_train=X_train.astype('float32')/ 255.0
X_test=X_test.astype('float32')/ 255.0
#label ترميز ال
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
model = Sequential()
model.add(Convolution2D(32, 3, 3, input_shape=(1, 28, 28), activation='tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Convolution2D(16, 3, 3, activation='tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.4))
model.add(Flatten())
model.add(Dense(100, activation='tanh'))
model.add(Dense(y_test.shape[1], activation='softmax'))
# تجميع المعلومات
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['acc'])
# بناء النموذج
model = larger_model()
# تدريبه
model.fit(X_train, y_train, epochs=12, batch_size=128,validation_data=(X_test, y_test))
# تقييم النموذج
scores = model.evaluate(X_test, y_test)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))
# حفظه
model_json = model.to_json()
with open('mnist_model.json', 'w') as f:
    f.write(model_json)
model.save_weights("mnist_weights.h5")
# تحميله
with open('mnist_model.json') as f:
    model_json = f.read()
model = model_from_json(model_json)
model.load_weights('mnist_weights.h5')
# تجميع المعلومات
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['acc'])
scores = model.evaluate(X_test, y_test)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))