TensorFlow加载预训练.h5模型报错：输入形状不匹配求助

1. 预测输入形状不匹配报错 #

原因 #

模型训练时接收的是4D张量输入：(batch_size, 256, 256, 3)，其中None代表任意批量大小。而你传入model.predict的输入形状为(32, 256, 3)，说明：

• 若为单张图片输入，缺少了批量维度（正确形状应为(1,256,256,3)）；
• 若为批量图片输入，每个样本的形状错误（应为(256,256,3)，实际却为(256,3)，缺失宽度维度）。

另外，自定义dice_coeff函数中的Flatten是无效代码（仅写了类名未调用），属于笔误，虽不影响运行但需清理。

解决方法 #

• 修正输入形状：
  单张图片输入时，先扩展批量维度：

  import numpy as np
  # 假设image原始形状为(256,256,3)
  image_input = np.expand_dims(image, axis=0)  # 转换为(1,256,256,3)
  mask = model.predict(image_input)
  

  批量图片输入时，检查每个样本形状是否为(256,256,3)，确保整体输入形状为(N,256,256,3)（N为样本数量）。

• 清理无效代码：删除dice_coeff函数中的Flatten行。

2. 变量浏览器无法查看加载的模型 #

原因 #

• 代码逻辑错误：你注释了model = load_model(...)语句，直接调用model.load_weights(...)会导致model未定义（除非你之前已定义过同结构模型）；
• Spyder变量浏览器对Keras模型的显示依赖完整的模型对象初始化，compile=False可能导致部分元数据未加载，无法被识别；
• 变量浏览器未及时刷新，导致加载后的模型未显示。

解决方法 #

• 正确加载模型：使用完整的load_model语句，确保自定义对象全部传入：

  loaded_model = tf.keras.models.load_model(
      r'D:\Preprocesamiento\FASE_III\ResdANet_org.h5',
      custom_objects={'dice_coeff': dice_coeff, 'dice_loss': dice_loss},
      compile=False
  )
  

  注意：路径用原始字符串r''避免转义字符问题，custom_objects需包含所有自定义函数（包括dice_loss）。

• 刷新变量浏览器：加载模型后，点击Spyder变量浏览器的刷新按钮，或重启内核后重新运行代码。

• 可选：编译后查看：执行loaded_model.compile(...)后，模型结构更完整，变量浏览器更易识别。

额外注意事项 #

• 预测结果处理：model.predict返回的mask是4D张量（如(1,256,256,1)），可视化时需取出单张掩码并压缩多余维度：

  ax[1].imshow(mask[0].squeeze())
  

内容的提问来源于stack exchange，提问作者JPSuarezQ