如何将不同尺寸的图像加载到tf.data数据管道中？

1. 修复数据集创建报错问题 #

你遇到的InvalidArgumentError是因为tf.data.Dataset.from_tensor_slices要求输入的所有张量形状完全一致，但你的图像尺寸不同，直接把不同形状的张量列表转成TensorSliceDataset必然报错。

正确做法是基于图像路径直接创建数据集，在map操作中完成图像读取与预处理，避免先把所有图像加载到列表里：

def load_and_preprocess_image(path, label):
    raw = tf.io.read_file(path)
    img = tf.image.decode_png(raw, channels=3)
    return img, label

# 基于路径和标签创建数据集
train_dataset = tf.data.Dataset.from_tensor_slices((df['path'].values, df['kind'].cat.codes.values))
train_dataset = train_dataset.map(load_and_preprocess_image, num_parallel_calls=tf.data.AUTOTUNE)

2. 正确将预处理层整合进CNN模型 #

要让预处理逻辑跟随模型一起部署，必须把预处理层作为模型的第一层，确保输入任意尺寸图像时自动完成处理。示例代码如下：

# 定义接受任意尺寸图像的输入
input_shape = (None, None, 3)
inputs = tf.keras.Input(shape=input_shape)

# 预处理层：统一尺寸+归一化
x = tf.keras.layers.Resizing(224, 224)(inputs)  # 替换为你需要的目标尺寸
x = tf.keras.layers.Rescaling(1./255)(x)

# 后续CNN网络层
x = tf.keras.layers.Conv2D(32, (3,3), activation='relu')(x)
x = tf.keras.layers.MaxPooling2D((2,2))(x)
# ... 补充你的其他CNN层

# 分类输出层
outputs = tf.keras.layers.Dense(num_classes, activation='softmax')(x)

model = tf.keras.Model(inputs=inputs, outputs=outputs)

这样构建的模型，训练和部署阶段都能直接输入任意尺寸图像，预处理层会自动完成尺寸调整与归一化，无需手动干预。

之前整合预处理层无效的原因 #

大概率是你没有将预处理层放在输入层之后、CNN层之前，或者没有把输入形状设为(None, None, 3)（表示接受任意尺寸）。只有让预处理层成为模型结构的一部分，才能在部署时生效。

额外优化：整合数据增强（可选） #

如果需要数据增强，也可以将增强层加入模型（训练时生效，部署时自动关闭）：

x = tf.keras.layers.RandomFlip("horizontal")(x)
x = tf.keras.layers.RandomRotation(0.1)(x)

内容的提问来源于stack exchange，提问作者Jason Rich Darmawan