Python加载Sequential模型时遇输入通道维度未定义错误

错误原因 #

你把input_shape=(IMG_SIZE,IMG_SIZE,3)定义在了Conv2D层，但模型前两层（Resizing、Rescaling）没有明确的输入形状约束，导致模型保存时无法记录完整的输入维度信息。加载时Keras无法推断输入的通道数，因此报错通道维度为None。

解决方案 #

方案1：重新定义模型并训练（推荐） #

将输入形状定义在模型的第一层，使用Input层明确整个模型的输入维度，确保所有层都能正确识别输入通道数：

model = Sequential([
    layers.Input(shape=(IMG_SIZE, IMG_SIZE, 3)),  # 明确模型输入形状
    layers.Resizing(IMG_SIZE, IMG_SIZE),
    layers.Rescaling(1./255),
    layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu', padding='same'),
    layers.Dropout(0.2),
    layers.BatchNormalization(),
    layers.MaxPool2D(pool_size=(2, 2)),
    layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu', padding='same'),
    layers.BatchNormalization(),
    layers.MaxPool2D(pool_size=(2, 2)),
    layers.Conv2D(filters=128, kernel_size=(3, 3), activation='relu', padding='same'),
    layers.BatchNormalization(),
    layers.MaxPool2D(pool_size=(2, 2)),
    layers.Conv2D(filters=256, kernel_size=(3, 3), activation='relu', padding='same'),
    layers.BatchNormalization(),
    layers.MaxPool2D(pool_size=(2, 2)),
    layers.Flatten(),
    layers.Dropout(0.2),
    layers.Dense(300, activation='relu'),
    layers.Dense(150, activation='relu'),
    layers.Dense(n_classes, activation='softmax')
])

# 后续训练、保存代码不变
EPOCHS = 50
BATCH_SIZE = 8

history = model.fit(x=train_batches, validation_data=validation_batches,
                    steps_per_epoch=len(train_batches),
                    validation_steps=len(validation_batches),
                    epochs=EPOCHS,
                    batch_size=BATCH_SIZE)
model.save('my_model.h5') 

重新训练保存后，执行model=tf.keras.models.load_model('my_model.h5')即可正常加载。

方案2：不重新训练，修复已保存的模型 #

如果不想重新训练，可以通过重新构建输入层的方式修复模型，但这种方法存在兼容性风险：

import tensorflow as tf
from tensorflow.keras.models import load_model
from tensorflow.keras.layers import Input, Model

# 加载原模型（不编译）
model = load_model('my_model.h5', compile=False)

# 重新定义输入层
input_layer = Input(shape=(IMG_SIZE, IMG_SIZE, 3))
# 连接原模型的所有层
x = input_layer
for layer in model.layers:
    x = layer(x)

# 创建新模型并加载原权重
new_model = Model(inputs=input_layer, outputs=x)
new_model.set_weights(model.get_weights())

# 可选择编译模型
new_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

关键说明 #

input_shape参数是用来指定当前层的输入形状，而非整个模型的输入形状。当模型的起始层没有明确输入约束时，Keras无法完整记录模型的输入维度信息，导致加载时出现通道维度缺失的错误。始终在模型的第一层明确输入形状，是避免这类问题的最佳实践。

内容的提问来源于stack exchange，提问作者Ant2198