如何一次性将多张图像转换为Tensor？

方法1：手动批量处理后转换 #

先遍历所有图像路径，完成读取、尺寸调整后存入列表，最后一次性转换为Tensor：

import cv2, glob
import tensorflow as tf

# 获取所有目标图像路径
img_paths = glob.glob("images/*jpg")
# 定义统一目标尺寸
target_size = (54, 54)
processed_imgs = []

for path in img_paths:
    # 读取图像
    img = cv2.imread(path)
    # 跳过读取失败的图像（避免报错）
    if img is None:
        continue
    # 调整尺寸（cv2.resize参数为(width, height)，对应目标尺寸的(w,h)）
    resized_img = cv2.resize(img, target_size)
    processed_imgs.append(resized_img)

# 转换为Tensor，自动生成为(N,54,54,3)形状（N为有效图像数量）
batch_tensor = tf.convert_to_tensor(processed_imgs, dtype=tf.int64)
print(batch_tensor.shape)  # 输出 (10, 54, 54, 3)（假设10张都读取成功）

方法2：用TensorFlow原生API批量处理 #

如果不想依赖OpenCV，可直接用TF的图像读取接口完成批量操作，代码更简洁：

import tensorflow as tf
import glob

img_paths = glob.glob("images/*jpg")
target_size = (54, 54)

def load_and_preprocess(img_path):
    # 读取图像文件
    img_raw = tf.io.read_file(img_path)
    # 解码为RGB格式图像（和OpenCV的BGR通道顺序不同，按需调整）
    img = tf.image.decode_jpeg(img_raw, channels=3)
    # 调整尺寸
    img_resized = tf.image.resize(img, target_size)
    # 转换为和单张处理一致的int64类型
    return tf.cast(img_resized, tf.int64)

# 批量处理所有路径并转换为Tensor
batch_tensor = tf.convert_to_tensor([load_and_preprocess(path) for path in img_paths])
print(batch_tensor.shape)  # 输出 (10, 54, 54, 3)

关键注意点 #

• OpenCV默认读取图像为BGR通道顺序，若后续需和TensorFlow模型配合，建议添加通道转换：resized_img = cv2.cvtColor(resized_img, cv2.COLOR_BGR2RGB)
• 务必处理读取失败的图像（比如损坏文件），避免None值导致转换Tensor时报错

内容的提问来源于stack exchange，提问作者Sourav