Keras中Resizing层输出形状异常问题咨询

你的问题出在输入张量缺少通道维度，以及Keras Resizing 层对输入形状的预期上：

• 你的输入形状是 (None, 224, 224)，仅包含批量、高度、宽度三个维度，缺少灰度图像应有的单通道维度（1）。
• Keras 的 Resizing 层默认期望输入是带通道的标准图像格式：
  • 默认 channels_last 格式下，输入应为 (None, H, W, C)；
  • 若用 channels_first 格式，则为 (None, C, H, W)。
• 当输入没有通道维度时，Resizing 层会误将最后一个维度（原宽度 224）当作通道数，同时将前两个维度调整为目标尺寸 (50, 50)，最终输出形状显示为 (50, 50, 224)（层信息省略了批量维度 None）。

解决方案1：给输入添加通道维度（推荐） #

这是符合Keras图像输入规范的标准做法：

import numpy as np

# 先给原始输入X扩展通道维度（假设X形状为(num_samples, height, width)）
X = X[..., np.newaxis]  # 转换为(num_samples, height, width, 1)
height, width, _ = X.shape[1:]
input = keras.Input(shape=(height, width, 1), name='Input')

# 预处理函数无需修改
def definePreprocessing(trial):
    preprocessing = keras.Sequential(name='Preprocessing')
    preprocessing.add(keras.layers.Rescaling(name="Normalize", scale=1./255))
    preprocessing.add(keras.layers.Resizing(
            50, 
            50,
            interpolation="bilinear",
            name="Downsample"))
    return preprocessing

# 构建模型
preprocessing = definePreprocessing(trial)
preprocessed = preprocessing(input)

此时 Resizing 层会正确识别各维度，输出形状为 (None, 50, 50, 1)，符合灰度图像的预期。

解决方案2：在预处理流程中补充通道维度 #

如果无法修改原始输入的形状，可以在预处理序列中加入 Reshape 层来补充通道：

def definePreprocessing(trial, height, width):
    preprocessing = keras.Sequential(name='Preprocessing')
    preprocessing.add(keras.layers.Rescaling(name="Normalize", scale=1./255))
    # 补充单通道维度
    preprocessing.add(keras.layers.Reshape((height, width, 1)))
    preprocessing.add(keras.layers.Resizing(
            50, 
            50,
            interpolation="bilinear",
            name="Downsample"))
    return preprocessing

# 调用时传入原始height和width
preprocessing = definePreprocessing(trial, height, width)
preprocessed = preprocessing(input)

调整后 Resizing 层会基于正确的维度进行尺寸缩放，输出形状为 (None, 50, 50, 1)。

内容的提问来源于stack exchange，提问作者André