Keep getting the error: “ValueError: A `Concatenate` layer requires inputs with matching shapes except for the concatenation axis”

I’ve tried to implement a U-Net model to classify audio, and after preprocessing, I’ve converted the data into a dataset of float values. These are the shapes of my X and Y

X_train shape: (3806, 2809)
X_test shape: (952, 2809)
y_train shape: (3806, 1)
y_test shape: (952, 1)

I have tried padding and cropping, yet I still end up with the same issue, just with different dimensions. I have attached the code to my U-net architecture, any advice would be appreciated, Thank you in advance.

Plain text
Copy to clipboard
Open code in new window
EnlighterJS 3 Syntax Highlighter
<code>import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, Concatenate, Dropout, ZeroPadding2D
def unet(input_size=(53, 53, 1), num_classes=2):
inputs = Input(input_size)
# Encoder
conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs)
conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1)
pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1)
conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2)
conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3)
pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool3)
conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv4)
drop4 = Dropout(0.5)(conv4)
pool4 = MaxPooling2D(pool_size=(2, 2))(drop4)
conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool4)
conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv5)
drop5 = Dropout(0.5)(conv5)
# Decoder
up6 = UpSampling2D(size=(2, 2))(drop5)
conv6 = Conv2D(512, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up6)
# Padding
pad_top = (conv4.shape[1] - conv6.shape[1]) // 2
pad_bottom = conv4.shape[1] - conv6.shape[1] - pad_top
pad_left = (conv4.shape[2] - conv6.shape[2]) // 2
pad_right = conv4.shape[2] - conv6.shape[2] - pad_left
padded_conv4 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv4)
merge6 = Concatenate(axis=3)([padded_conv4, conv6])
conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge6)
conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv6)
up7 = UpSampling2D(size=(2, 2))(conv6)
conv7 = Conv2D(256, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up7)
# Padding
pad_top = (conv3.shape[1] - conv7.shape[1]) // 2
pad_bottom = conv3.shape[1] - conv7.shape[1] - pad_top
pad_left = (conv3.shape[2] - conv7.shape[2]) // 2
pad_right = conv3.shape[2] - conv7.shape[2] - pad_left
padded_conv3 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv3)
merge7 = Concatenate(axis=3)([padded_conv3, conv7])
conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7)
conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7)
up8 = UpSampling2D(size=(2, 2))(conv7)
conv8 = Conv2D(128, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up8)
# Padding
pad_top = (conv2.shape[1] - conv8.shape[1]) // 2
pad_bottom = conv2.shape[1] - conv8.shape[1] - pad_top
pad_left = (conv2.shape[2] - conv8.shape[2]) // 2
pad_right = conv2.shape[2] - conv8.shape[2] - pad_left
padded_conv2 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv2)
merge8 = Concatenate(axis=3)([padded_conv2, conv8])
conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge8)
conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv8)
up9 = UpSampling2D(size=(2, 2))(conv8)
conv9 = Conv2D(64, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up9)
# Padding
pad_top = (conv1.shape[1] - conv9.shape[1]) // 2
pad_bottom = conv1.shape[1] - conv9.shape[1] - pad_top
pad_left = (conv1.shape[2] - conv9.shape[2]) // 2
pad_right = conv1.shape[2] - conv9.shape[2] - pad_left
padded_conv1 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv1)
merge9 = Concatenate(axis=3)([padded_conv1, conv9])
conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge9)
conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv9)
conv10 = Conv2D(num_classes, 1, activation='sigmoid')(conv9) # Use 'sigmoid' for binary classification
model = Model(inputs=inputs, outputs=conv10)
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
return model
</code>
<code>import tensorflow as tf from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, Concatenate, Dropout, ZeroPadding2D def unet(input_size=(53, 53, 1), num_classes=2): inputs = Input(input_size) # Encoder conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs) conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1) pool1 = MaxPooling2D(pool_size=(2, 2))(conv1) conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1) conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2) pool2 = MaxPooling2D(pool_size=(2, 2))(conv2) conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2) conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3) pool3 = MaxPooling2D(pool_size=(2, 2))(conv3) conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool3) conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv4) drop4 = Dropout(0.5)(conv4) pool4 = MaxPooling2D(pool_size=(2, 2))(drop4) conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool4) conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv5) drop5 = Dropout(0.5)(conv5) # Decoder up6 = UpSampling2D(size=(2, 2))(drop5) conv6 = Conv2D(512, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up6) # Padding pad_top = (conv4.shape[1] - conv6.shape[1]) // 2 pad_bottom = conv4.shape[1] - conv6.shape[1] - pad_top pad_left = (conv4.shape[2] - conv6.shape[2]) // 2 pad_right = conv4.shape[2] - conv6.shape[2] - pad_left padded_conv4 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv4) merge6 = Concatenate(axis=3)([padded_conv4, conv6]) conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge6) conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv6) up7 = UpSampling2D(size=(2, 2))(conv6) conv7 = Conv2D(256, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up7) # Padding pad_top = (conv3.shape[1] - conv7.shape[1]) // 2 pad_bottom = conv3.shape[1] - conv7.shape[1] - pad_top pad_left = (conv3.shape[2] - conv7.shape[2]) // 2 pad_right = conv3.shape[2] - conv7.shape[2] - pad_left padded_conv3 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv3) merge7 = Concatenate(axis=3)([padded_conv3, conv7]) conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7) conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7) up8 = UpSampling2D(size=(2, 2))(conv7) conv8 = Conv2D(128, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up8) # Padding pad_top = (conv2.shape[1] - conv8.shape[1]) // 2 pad_bottom = conv2.shape[1] - conv8.shape[1] - pad_top pad_left = (conv2.shape[2] - conv8.shape[2]) // 2 pad_right = conv2.shape[2] - conv8.shape[2] - pad_left padded_conv2 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv2) merge8 = Concatenate(axis=3)([padded_conv2, conv8]) conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge8) conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv8) up9 = UpSampling2D(size=(2, 2))(conv8) conv9 = Conv2D(64, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up9) # Padding pad_top = (conv1.shape[1] - conv9.shape[1]) // 2 pad_bottom = conv1.shape[1] - conv9.shape[1] - pad_top pad_left = (conv1.shape[2] - conv9.shape[2]) // 2 pad_right = conv1.shape[2] - conv9.shape[2] - pad_left padded_conv1 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv1) merge9 = Concatenate(axis=3)([padded_conv1, conv9]) conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge9) conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv9) conv10 = Conv2D(num_classes, 1, activation='sigmoid')(conv9) # Use 'sigmoid' for binary classification model = Model(inputs=inputs, outputs=conv10) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) return model </code>
import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, Concatenate, Dropout, ZeroPadding2D

def unet(input_size=(53, 53, 1), num_classes=2):
    inputs = Input(input_size)
    
    # Encoder
    conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs)
    conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
    
    conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1)
    conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
    
    conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2)
    conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
    
    conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool3)
    conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv4)
    drop4 = Dropout(0.5)(conv4)
    pool4 = MaxPooling2D(pool_size=(2, 2))(drop4)

    conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool4)
    conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv5)
    drop5 = Dropout(0.5)(conv5)

    # Decoder
    up6 = UpSampling2D(size=(2, 2))(drop5)
    conv6 = Conv2D(512, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up6)
    
    # Padding
    pad_top = (conv4.shape[1] - conv6.shape[1]) // 2
    pad_bottom = conv4.shape[1] - conv6.shape[1] - pad_top
    pad_left = (conv4.shape[2] - conv6.shape[2]) // 2
    pad_right = conv4.shape[2] - conv6.shape[2] - pad_left
    padded_conv4 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv4)
    
    merge6 = Concatenate(axis=3)([padded_conv4, conv6])
    conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge6)
    conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv6)

    up7 = UpSampling2D(size=(2, 2))(conv6)
    conv7 = Conv2D(256, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up7)
    
    # Padding
    pad_top = (conv3.shape[1] - conv7.shape[1]) // 2
    pad_bottom = conv3.shape[1] - conv7.shape[1] - pad_top
    pad_left = (conv3.shape[2] - conv7.shape[2]) // 2
    pad_right = conv3.shape[2] - conv7.shape[2] - pad_left
    padded_conv3 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv3)
    
    merge7 = Concatenate(axis=3)([padded_conv3, conv7])
    conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7)
    conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7)

    up8 = UpSampling2D(size=(2, 2))(conv7)
    conv8 = Conv2D(128, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up8)
    
    # Padding
    pad_top = (conv2.shape[1] - conv8.shape[1]) // 2
    pad_bottom = conv2.shape[1] - conv8.shape[1] - pad_top
    pad_left = (conv2.shape[2] - conv8.shape[2]) // 2
    pad_right = conv2.shape[2] - conv8.shape[2] - pad_left
    padded_conv2 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv2)
    
    merge8 = Concatenate(axis=3)([padded_conv2, conv8])
    conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge8)
    conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv8)

    up9 = UpSampling2D(size=(2, 2))(conv8)
    conv9 = Conv2D(64, 2, activation='relu', padding='same', kernel_initializer='he_normal')(up9)
    
    # Padding
    pad_top = (conv1.shape[1] - conv9.shape[1]) // 2
    pad_bottom = conv1.shape[1] - conv9.shape[1] - pad_top
    pad_left = (conv1.shape[2] - conv9.shape[2]) // 2
    pad_right = conv1.shape[2] - conv9.shape[2] - pad_left
    padded_conv1 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv1)
    
    merge9 = Concatenate(axis=3)([padded_conv1, conv9])
    conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge9)
    conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv9)
    
    conv10 = Conv2D(num_classes, 1, activation='sigmoid')(conv9)  # Use 'sigmoid' for binary classification

    model = Model(inputs=inputs, outputs=conv10)
    
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    
    return model

Error:

Plain text
Copy to clipboard
Open code in new window
EnlighterJS 3 Syntax Highlighter
<code>ValueError Traceback (most recent call last)
Cell In[73], line 1
----> 1 model = unet(input_size=(53, 53, 1))
Cell In[72], line 55, in unet(input_size, num_classes)
52 pad_right = conv3.shape[2] - conv7.shape[2] - pad_left
53 padded_conv3 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv3)
---> 55 merge7 = Concatenate(axis=3)([padded_conv3, conv7])
56 conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7)
57 conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7)
File ~anaconda3libsite-packageskerassrcutilstraceback_utils.py:70, in filter_traceback.<locals>.error_handler(*args, **kwargs)
67 filtered_tb = _process_traceback_frames(e.__traceback__)
68 # To get the full stack trace, call:
69 # `tf.debugging.disable_traceback_filtering()`
---> 70 raise e.with_traceback(filtered_tb) from None
71 finally:
72 del filtered_tb
File ~anaconda3libsite-packageskerassrclayersmergingconcatenate.py:131, in Concatenate.build(self, input_shape)
125 unique_dims = set(
126 shape[axis]
127 for shape in shape_set
128 if shape[axis] is not None
129 )
130 if len(unique_dims) > 1:
--> 131 raise ValueError(err_msg)
ValueError: A `Concatenate` layer requires inputs with matching shapes except for the concatenation axis. Received: input_shape=[(None, 14, 14, 256), (None, 12, 12, 256)]
</code>
<code>ValueError Traceback (most recent call last) Cell In[73], line 1 ----> 1 model = unet(input_size=(53, 53, 1)) Cell In[72], line 55, in unet(input_size, num_classes) 52 pad_right = conv3.shape[2] - conv7.shape[2] - pad_left 53 padded_conv3 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv3) ---> 55 merge7 = Concatenate(axis=3)([padded_conv3, conv7]) 56 conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7) 57 conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7) File ~anaconda3libsite-packageskerassrcutilstraceback_utils.py:70, in filter_traceback.<locals>.error_handler(*args, **kwargs) 67 filtered_tb = _process_traceback_frames(e.__traceback__) 68 # To get the full stack trace, call: 69 # `tf.debugging.disable_traceback_filtering()` ---> 70 raise e.with_traceback(filtered_tb) from None 71 finally: 72 del filtered_tb File ~anaconda3libsite-packageskerassrclayersmergingconcatenate.py:131, in Concatenate.build(self, input_shape) 125 unique_dims = set( 126 shape[axis] 127 for shape in shape_set 128 if shape[axis] is not None 129 ) 130 if len(unique_dims) > 1: --> 131 raise ValueError(err_msg) ValueError: A `Concatenate` layer requires inputs with matching shapes except for the concatenation axis. Received: input_shape=[(None, 14, 14, 256), (None, 12, 12, 256)] </code>
ValueError                                Traceback (most recent call last)
Cell In[73], line 1
----> 1 model = unet(input_size=(53, 53, 1))

Cell In[72], line 55, in unet(input_size, num_classes)
     52 pad_right = conv3.shape[2] - conv7.shape[2] - pad_left
     53 padded_conv3 = ZeroPadding2D(padding=((pad_top, pad_bottom), (pad_left, pad_right)))(conv3)
---> 55 merge7 = Concatenate(axis=3)([padded_conv3, conv7])
     56 conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7)
     57 conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7)

File ~anaconda3libsite-packageskerassrcutilstraceback_utils.py:70, in filter_traceback.<locals>.error_handler(*args, **kwargs)
     67     filtered_tb = _process_traceback_frames(e.__traceback__)
     68     # To get the full stack trace, call:
     69     # `tf.debugging.disable_traceback_filtering()`
---> 70     raise e.with_traceback(filtered_tb) from None
     71 finally:
     72     del filtered_tb

File ~anaconda3libsite-packageskerassrclayersmergingconcatenate.py:131, in Concatenate.build(self, input_shape)
    125 unique_dims = set(
    126     shape[axis]
    127     for shape in shape_set
    128     if shape[axis] is not None
    129 )
    130 if len(unique_dims) > 1:
--> 131     raise ValueError(err_msg)

ValueError: A `Concatenate` layer requires inputs with matching shapes except for the concatenation axis. Received: input_shape=[(None, 14, 14, 256), (None, 12, 12, 256)]

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật