TensorFlow.js模型输入张量维度不匹配问题求助

错误原因分析 #

你遇到的报错本质是张量维度/尺寸不匹配，结合你的代码来看，主要问题有三个：

1. reshape写法错误：你用了tf.reshape(normalized, [batchInputShape])，这里batchInputShape本身就是数组[100,100,3]，嵌套后变成[[100,100,3]]，导致目标shape格式完全错误。
2. 缺少batch维度：TensorFlow.js的模型输入通常要求是4维张量（[batch_size, height, width, channels]），而你当前输出的是3维张量，和模型期望的输入维度不匹配。
3. 潜在风险：如果输入的imageData本身不是100x100的RGB图像，也会导致张量总元素数和目标shape不匹配。

修正后的预处理代码 #

function preprocess(imageData) {
    let inputTensor = tf.browser.fromPixels(imageData);
    
    // 强制将图像 resize 到模型要求的100x100，避免尺寸不符问题
    inputTensor = tf.image.resizeBilinear(inputTensor, [100, 100]);
    
    // 保持你原来的归一化逻辑：1 - (像素值/255)
    const normalized = tf.scalar(1.0).sub(inputTensor.div(tf.scalar(255.0)));
    
    // 添加batch维度，转换成模型需要的4维张量格式 [1, 100, 100, 3]
    const batchedInput = normalized.expandDims(0);
    
    console.log(batchedInput.shape); // 确认输出为 [1, 100, 100, 3]
    return batchedInput;
}

关键说明 #

• 强制Resize：用tf.image.resizeBilinear确保输入图像尺寸符合模型要求，不管原始图像是什么尺寸都能统一处理。
• 正确添加Batch维度：expandDims(0)会在张量最前面增加一个维度，对应批量处理的单样本输入，这是TF.js模型的标准输入格式。
• 保留归一化逻辑：确保和你在TensorFlow训练时的预处理逻辑完全一致，否则模型预测结果会失真。

之前尝试代码的问题 #

你写的tf.reshape(normalized, [batchInputShape, -1])是错误的：

• 嵌套数组导致shape格式混乱，-1在这里的使用也不符合需求，完全没必要用reshape来处理，直接添加batch维度即可。

内容的提问来源于stack exchange，提问作者LoganO37