调用resnet_v2.preprocess_input时遇'_PrefetchDataset'无shape属性错误

问题根源 #

你直接把image_dataset_from_directory生成的Dataset对象传给了preprocess_input，但这个函数只接受张量（Tensor），不支持直接作用于Dataset类型，所以触发了报错。

两种可行的解决方式 #

方式1：用Dataset的map方法批量处理 #

直接对数据集对象使用map方法，将预处理函数应用到每个批次的图片上：

from tensorflow import keras

# 原数据集加载代码保持不变
trainingdata = keras.utils.image_dataset_from_directory(
    directory='archive/chest_xray/train/',
    labels='inferred',
    label_mode='int',
    batch_size=32,
    image_size=(512,512)
)

validationdata = keras.utils.image_dataset_from_directory(
    directory='archive/chest_xray/test/',
    labels='inferred',
    label_mode='int',
    batch_size=32,
    image_size=(512,512)
)

# 定义预处理函数，处理每个批次的(图片, 标签)对
def preprocess_batch(image, label):
    return keras.applications.resnet_v2.preprocess_input(image), label

# 将预处理逻辑映射到整个数据集
trainingdata = trainingdata.map(preprocess_batch)
validationdata = validationdata.map(preprocess_batch)

方式2：把预处理整合到模型第一层 #

如果不想单独处理数据集，可以将预处理步骤作为模型的第一层，数据传入模型时会自动完成预处理：

from tensorflow import keras

# 定义输入层
input_layer = keras.Input(shape=(512, 512, 3))
# 先执行预处理
preprocessed_input = keras.applications.resnet_v2.preprocess_input(input_layer)
# 加载预训练ResNetV2，传入预处理后的张量作为输入
base_model = keras.applications.ResNet50V2(include_top=False, input_tensor=preprocessed_input)
# 搭建后续分类层
x = base_model.output
x = keras.layers.GlobalAveragePooling2D()(x)
output_layer = keras.layers.Dense(1, activation='sigmoid')(x)

# 组装完整模型
model = keras.Model(inputs=input_layer, outputs=output_layer)

补充说明 #

image_dataset_from_directory返回的是tf.data.Dataset类型，本质是批量数据的迭代器，并非单一张量，因此没有shape属性。而preprocess_input的设计目标是处理形状为(batch_size, height, width, channels)的张量，所以必须通过map映射到每个批次，或者整合到模型结构中完成预处理。

内容的提问来源于stack exchange，提问作者Lentemern