如何在MATLAB中合并ImageDatastore训练双输入神经网络？

你遇到的核心问题是：双输入单输出网络要求训练数据集是M×3的元胞数组（两个输入+一个标签），但你当前合并后的Datastore仅返回M×2的结构。下面提供两种针对性的解决方法：

方法1：合并图像Datastore与标签Datastore #

这是最规范的MATLAB Datastore工作流，适用于标签来自文件夹结构或已有标签数组的场景：

1. 读取两组图像并包含标签
   如果你的图像是按类别分文件夹存放的，创建Image Datastore时直接指定标签源，让Datastore自动带上标签：

   % 替换为你的两组图像文件夹路径
   imds1 = imageDatastore('path/to/group_images_1', 'LabelSource', 'foldernames');
   imds2 = imageDatastore('path/to/group_images_2', 'LabelSource', 'foldernames');
   

   如果标签不是来自文件夹，你可以先读取图像，再单独准备标签数组。

2. 创建标签Datastore
   由于两组图像的标签是一一对应的（每组第i张图对应同一个标签），从其中一个Image Datastore提取标签，转为数组Datastore：

   % 提取标签并转为Cell类型输出，匹配网络要求
   labels = imds1.Labels;
   labelds = arrayDatastore(labels, 'OutputType', 'cell');
   

3. 合并三个Datastore
   将两个图像Datastore和标签Datastore合并，得到符合要求的M×3结构：

   imdsCombined = combine(imds1, imds2, labelds);
   

   此时执行read(imdsCombined)会返回1×3的元胞数组：{输入图像1, 输入图像2, 标签}，完全满足trainNetwork的要求。

方法2：手动构建元胞数组并包装为CellDatastore #

如果你的标签来自外部文件（如CSV）或需要更灵活的数据集构造，可以手动构建训练数据：

1. 读取所有图像和标签

   % 读取两组所有图像
   imgs_group1 = readall(imds1);
   imgs_group2 = readall(imds2);
   
   % 示例：从CSV读取标签（替换为你的标签获取逻辑）
   label_table = readtable('labels.csv');
   labels = label_table.Label; % 假设CSV中标签列名为Label
   

2. 构建M×3的元胞数组
   遍历每个样本，将两组图像和对应标签放入元胞数组的对应位置：

   num_samples = 58;
   training_data = cell(num_samples, 3);
   
   for i = 1:num_samples
       training_data{i, 1} = imgs_group1{i};
       training_data{i, 2} = imgs_group2{i};
       training_data{i, 3} = labels(i); % 如果是分类标签，可转为Cell类型：{labels(i)}
   end
   

3. 包装为CellDatastore
   将手动构建的元胞数组转为Datastore，适配trainNetwork的输入要求：

   imdsCombined = cellDatastore(training_data, 'ReadSize', 1);
   

关键注意事项 #

• 确保所有Datastore（或手动构建的数组）的样本数完全一致（都是58），否则合并或训练时会报错。
• 标签的类型要与网络输出层匹配：分类问题用类别标签，回归问题用数值标签。
• 在R2019b中，combine函数支持合并多个Datastore，只要它们的可读取样本数相同。

内容的提问来源于stack exchange，提问作者Guilherme Freire