适配TensorFlow UNet遇ValueError：as_list()未定义于未知TensorShape

你的核心问题有两个：

1. 模型输出尺寸与掩码尺寸不匹配：当前模型最后一层输出是128x128，但你的掩码是100x100，训练时计算损失函数会因形状不匹配触发错误；而model.predict仅做前向传播不计算损失，因此能正常运行。
2. tf.py_function导致形状信息丢失：虽然你在load_image_and_mask里设置了形状，但tf.py_function会让数据集输出的张量形状变为未知，训练时Keras无法验证输入输出形状匹配，触发as_list() is not defined on an unknown TensorShape错误。

1. 修正模型输出尺寸，匹配100x100掩码 #

当前模型的输出是128x128，需要调整最后几层让输出变为100x100：

def unet_model(output_channels:int):
    inputs = tf.keras.layers.Input(shape=[512, 512, 3])

    # Downsampling through the model
    skips = down_stack(inputs)
    x = skips[-1]
    skips = reversed(skips[:-1])

    # Upsampling and establishing the skip connections
    for up, skip in zip(up_stack, skips):
        x = up(x)
        concat = tf.keras.layers.Concatenate()
        x = concat([x, skip])

    # 新增：将64x64特征图调整为50x50（50*2=100）
    x = tf.keras.layers.Conv2D(64, kernel_size=3, padding='same', activation='relu')(x)
    x = tf.keras.layers.Resizing(50, 50)(x)

    # 最后一层上采样到100x100
    last = tf.keras.layers.Conv2DTranspose(
        filters=output_channels, kernel_size=3, strides=2,
        padding='same')  # 50x50 -> 100x100

    x = last(x)

    return tf.keras.Model(inputs=inputs, outputs=x)

2. 修复数据集的形状信息丢失问题 #

替换tf.py_function为纯TensorFlow操作，确保形状信息被保留：

def load_image_and_mask(image_path, mask_path):
    image = tf.io.read_file(image_path)
    image = tf.image.decode_jpeg(image, channels=3)
    image = tf.image.resize(image, [512, 512])
    image = tf.cast(image, tf.float32)

    mask = tf.io.read_file(mask_path)
    mask = tf.image.decode_png(mask, channels=1)
    mask = tf.image.flip_up_down(mask)
    # 掩码用最近邻插值，避免类别混淆
    mask = tf.image.resize(mask, [100, 100], method=tf.image.ResizeMethod.NEAREST_NEIGHBOR)
    mask = tf.cast(mask, tf.float32)

    return image, mask

# 直接使用load_image_and_mask，去掉process_paths
train_dataset = tf.data.Dataset.from_tensor_slices((train_tiles, train_masks))
train_dataset = train_dataset.map(load_image_and_mask, num_parallel_calls=tf.data.experimental.AUTOTUNE)
train_dataset = train_dataset.batch(BATCH_SIZE).prefetch(buffer_size=tf.data.experimental.AUTOTUNE)

# 验证集、测试集做相同修改

3. 验证形状匹配 #

修改后，先确认模型输出形状是否符合预期：

sample_image = tf.random.normal([1, 512, 512, 3])
sample_output = model(sample_image)
print(f"模型输出形状: {sample_output.shape}")  # 预期输出：(1, 100, 100, 5)

确保输出形状为(batch_size, 100, 100, OUTPUT_CLASSES)，与掩码的(batch_size, 100, 100, 1)兼容（SparseCategoricalCrossentropy会自动处理通道维度）。

• 为什么predict能运行但fit不行？
  model.predict仅执行前向传播，不涉及损失计算，只要输入形状正确就能运行；而model.fit需要计算损失，会严格检查模型输出与标签的形状兼容性，同时Keras需要明确的张量形状信息构建计算图，形状未知时就会触发as_list()错误。

内容的提问来源于stack exchange，提问作者Ruby Midford