Keras模型预测输入形状不匹配问题解决方案咨询

核心问题分析 #

报错的本质是模型期望输入带批量维度（batch dimension）：训练时模型接收的是批量数据，形状为(None, H, W, C)（None代表任意样本数），但你传入的单张图像只有(H, W, C)三个维度，缺少了第一个代表样本数量的批量维度。

解决方案步骤 #

1. 为单张图像添加批量维度 #

在将图像传入模型预测前，用np.expand_dims为数组添加一个维度，把形状从(32, 32, 3)转为(1, 32, 32, 3)（1代表当前只有1个样本），匹配模型的输入要求。

2. 修正target_size参数的潜在问题 #

你修改target_size=(224,224)后出现的形状错误，大概率是图像加载后形状不符合预期。建议先打印图像数组的形状确认，再确保添加批量维度的步骤正确。

修正后的完整代码 #

import numpy as np
from keras.preprocessing.image import img_to_array, load_img
from tensorflow import keras

# 加载模型
model = keras.models.load_model('Faces/model/alexnet')

# 加载图像，target_size顺序为(高度, 宽度)，需和模型输入一致
img = load_img('Faces/text.jpg', target_size=(32, 32))

# 转为数组并添加批量维度
x = img_to_array(img)
x = np.expand_dims(x, axis=0)  # 关键步骤：补充批量维度

# 执行预测
preds = model.predict(x)
print('Predicted:', preds)

如果需要使用224×224的输入，只需修改target_size=(224, 224)，同时确保模型输入层确实是224×224×3的形状，之后执行同样的批量维度补充步骤即可。

内容的提问来源于stack exchange，提问作者dsw