Keras训练时输入形状不匹配无报错，评估时报错原因咨询

训练阶段无报错的核心原因 #

Keras在训练流程中（尤其是用Model.fit()搭配tf.data.Dataset作为输入时），存在动态形状推导机制：如果模型还未被显式构建（build()未被调用），它会自动根据第一个输入batch的实际形状，覆盖你在Input层中指定的不匹配形状，完成模型构建。

你的场景里，虽然Input层写了(365, 480, 3)，但训练数据的形状是(480, 365, 3)，且模型后续的卷积、池化等层都支持动态空间尺寸（只要通道数匹配），Keras会直接忽略你手动指定的Input形状，用实际数据的形状完成模型构建，所以训练全程不会报错。

评估阶段报错的触发逻辑 #

评估时出现形状不匹配错误，通常是因为模型的输入形状已被固定：

• 如果你是训练后直接调用model.evaluate()，理论上不会报错（除非评估数据集的image_size和训练集不一致）；
• 更常见的情况是你保存了训练后的模型，重新加载后再评估：Keras保存模型时，会优先记录你在Input层显式声明的shape=(365, 480, 3)，而非训练时动态调整后的形状。加载模型后，输入层的形状被固定为初始指定值，此时评估数据的(480, 365, 3)就与模型要求的形状冲突，触发ValueError。

快速修复方案 #

• 对齐形状配置：把Input层的shape改成(480, 365, 3)，和image_dataset_from_directory的image_size保持完全一致；
• 启用动态输入：如果需要模型支持任意尺寸输入，可将Input层的shape设为(None, None, 3)（前提是后续所有层都兼容动态空间尺寸）；
• 规范模型保存/加载：训练完成后用model.save()保存完整模型，加载时确保评估数据集的形状与训练集严格一致。

内容的提问来源于stack exchange，提问作者jwjeong