如何正确将图像集传入Keras模型进行回归训练？

你的问题出在x_train的格式上：用apply得到的是一个Series，每个元素是带**额外batch维度（shape=(1, height, width, channels)）**的numpy数组，这种嵌套数组结构无法被Keras直接解析成训练用的张量。下面是两种可行的解决方案，适配回归任务的需求：

方法1：将图像数据转为统一的NumPy数组（适合小数据集） #

首先修正图像加载函数，去掉不必要的tf.expand_dims，同时强制统一图像尺寸（避免因输入图像大小不一致导致的错误）：

import numpy as np
import tensorflow as tf

def load_image(img_path, target_size=(224, 224)):
    # 加载图像并统一尺寸
    img = tf.keras.preprocessing.image.load_img(img_path, target_size=target_size)
    # 转为数组并归一化（可选但推荐，加速模型收敛）
    img_array = tf.keras.preprocessing.image.img_to_array(img) / 255.0
    return img_array

# 加载所有图像并转为NumPy数组
x_train = np.array([load_image(path) for path in df['filename']])
# y_train需确保是NumPy数组（回归任务的连续值）
y_train = df['target_column'].values  # 替换成你的回归目标列名

之后就可以正常调用model.fit：

history = model.fit(x_train, y_train, epochs=10, batch_size=32)

方法2：用tf.data.Dataset构建数据集（适合大数据集，内存友好） #

这种方法不需要一次性加载所有图像到内存，适合数据量较大的场景：

# 从路径和标签创建数据集
dataset = tf.data.Dataset.from_tensor_slices((df['filename'].values, df['target_column'].values))

def process_data(img_path, label):
    # 加载图像
    img = tf.io.read_file(img_path)
    img = tf.image.decode_jpeg(img, channels=3)  # 如果是PNG用decode_png
    # 统一尺寸并归一化
    img = tf.image.resize(img, (224, 224)) / 255.0
    return img, label

# 映射处理函数，设置批量和预取
train_dataset = dataset.map(process_data, num_parallel_calls=tf.data.AUTOTUNE)\
                     .batch(32)\
                     .prefetch(tf.data.AUTOTUNE)

# 训练模型
history = model.fit(train_dataset, epochs=10)

关键注意事项 #

• 所有输入图像必须尺寸统一，否则模型无法接收不一致的输入形状。
• 图像归一化（除以255）是常规操作，能让模型训练更稳定。
• 回归任务的y_train必须是连续数值类型（如float32），确保数据类型正确。

内容的提问来源于stack exchange，提问作者Luca Sagoleo