Keras нейросеть mnist распознавание с картинки Error when checking input: expected dense_1_input to have 2 dimensions

import numpy
from keras.datasets import mnist
from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Dense, Flatten, Activation
from keras.layers import Dropout
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.utils import np_utils
from keras.optimizers import SGD
 
# Задаем seed для повторяемости результатов
numpy.random.seed(42)
 
# Загружаем данные
# x_train - данные с картинками, y_train- правильные ответы
(X_train, y_train), (X_test, y_test) = mnist.load_data()
 
# Преобразование размерности изображений
# 24*24=784 пиксела-одно изображение - кол-во входов
X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)
# Нормализация данных
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
 
# Преобразуем метки в категории
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)
 
# Создаем последовательную модель
model = Sequential()
 
# Добавляем уровни сети
model.add(Dense(800, input_dim=784, activation="relu", kernel_initializer="normal"))
 
model.add(Flatten())
 
model.add(Dense(10, activation="softmax", kernel_initializer="normal"))
 
# Компилируем модель
model.compile(loss="categorical_crossentropy", optimizer="SGD", metrics=["accuracy"])
 
print(model.summary())
 
# Обучаем сеть
# batch_size - кол-во элементов в выборке до изменения значений весов
# epochs - кол-во эпох
# verbose - печатать диагностическую информацию
# validation_split - часть выборки, которая используется в качестве проверочной выборки
model.fit(X_train, Y_train, batch_size=20, epochs=10, validation_split=0.2, verbose=2)
 
# Оцениваем качество обучения сети на тестовых данных
scores = model.evaluate(X_test, Y_test, verbose=0)
print("Точность работы на тестовых данных: %.2f%%" % (scores[1]*100))
 
# Оцениваем качество обучения сети на тестовых данных
scores = model.evaluate(X_test, Y_test, verbose=0)
print("Точность работы на тестовых данных: %.2f%%" % (scores[1]*100))
 
print("Сохраняем сеть")
# Сохраняем сеть для последующего использования
# Генерируем описание модели в формате json
model_json = model.to_json()
json_file = open("mnist_model.json", "w")
# Записываем архитектуру сети в файл
json_file.write(model_json)
json_file.close()
# Записываем данные о весах в файл
model.save_weights("mnist_model.h5")
print("Сохранение сети завершено")

import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.models import model_from_json
from keras.layers import Dense
from keras.utils import np_utils
from keras.datasets import cifar10
from keras.layers import Dense, Flatten, Activation
from keras.layers import Dropout
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.optimizers import SGD
from keras.preprocessing import image
import matplotlib.pyplot as plt
 
json_file = open("mnist_model.json", "r")
loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)
loaded_model.load_weights("mnist_model.h5")
 
loaded_model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
 
img_path = "3.png"
img = image.load_img(img_path, target_size=(28,28), grayscale=True)
plt.imshow(img, cmap="gray")
plt.show()
 
# в mnist используется чёрный = 255, а белый 0, а не как обычно, поэтому требуется преобразовать изображение
x = image.img_to_array(img);
x = 255 - x;
x /= 255;
x = np.expand_dims(x, axis=0)
 
prediction = loaded_model.predict(x);
prediction = np_utils.categoricial_probas_to_classes(prediction)
print(prediction)

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
import numpy as np
import matplotlib.pyplot as plt
from keras.datasets import mnist         # библиотека базы выборок Mnist
from tensorflow import keras
from keras.layers import Dense, Flatten
 
(x_train, y_train), (x_test, y_test) = mnist.load_data()
 
# стандартизация входных данных
x_train = x_train / 255
x_test = x_test / 255
 
y_train_cat = keras.utils.to_categorical(y_train, 10)
y_test_cat = keras.utils.to_categorical(y_test, 10)
 
# отображение первых 25 изображений из обучающей выборки
 
 
model = keras.Sequential([
    Flatten(input_shape=(28, 28, 1)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])
 
print(model.summary())      # вывод структуры НС в консоль
 
model.compile(optimizer='adam',
             loss='categorical_crossentropy',
             metrics=['accuracy'])
 
 
model.fit(x_train, y_train_cat, batch_size=32, epochs=5, validation_split=0.2)
 
model.evaluate(x_test, y_test_cat)
 
n = 1
x = np.expand_dims(x_test[n], axis=0)
model.save('model1', True, True)

from PIL import Image
from matplotlib import pyplot as plt
import numpy as np
import keras
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
model = keras.models.load_model('model1')
def img(path, width, height):
    imag = Image.open(path)
    if ((width, height) != imag.size):
        imag = imag.resize((width, height))
    res = np.ndarray(shape=(28,28,1))
    for i in range(28):
        for z in range(28):
            pixelRGB = imag.getpixel((z, i))
            R, G, B = pixelRGB
            res[i, z] = (R + G + B) / 3
            if res[i, z] < 120:
                res[i, z] = 255
            else:
                res[i,z] = 0
    #plt.imshow(res, cmap=plt.cm.binary)
    #plt.show()
    return res
def mimg(*paths, y, width, height):
    mres = np.ndarray((len(paths[0]), 28, 28, 1))
    mned = np.ndarray((len(paths[0]), 1))
    a = 0
    for i in paths[0]:
        b = img(i, width, height)
        mres[a] = b
        mned[a, 0] = y[a]
        #plt.imshow(mres[a], cmap=plt.cm.binary)
        #plt.show()
        a += 1
    return mres, mned
result, resned = mimg(('image1.jpg', 'image7.jpg'), y = (1, 7), width = 28, height = 28)
result /= 255
resned = keras.utils.to_categorical(resned, 10)
prediction = model.predict(result)
print(prediction)