TensorFlow中model.predict输入形状不兼容问题求助

错误原因 #

你的模型定义时，Flatten层的输入shape设为(64,64)，这意味着模型期望接收带batch维度的输入，即形状为(batch_size, 64, 64)的数据。但调用model.predict(images[99])时，传入的是单张图像，形状为(64,64)，缺少batch维度。此时TensorFlow会误将第一个维度64当成batch_size，第二个维度64当成特征维度，经过Flatten层后输出形状为(64,64)，而后续Dense(4096)层期望输入的最后一维是4096，因此触发维度不兼容错误。

model.evaluate(images)能正常运行，是因为images本身是带batch维度的数据集（形状(10099,64,64)），符合模型的输入要求。

解决方法 #

给单张输入图像添加batch维度，具体有两种方式：

1. 使用np.expand_dims扩展维度：

import numpy as np
# 给images[99]添加batch维度，shape变为(1,64,64)
prediction = model.predict(np.expand_dims(images[99], axis=0))

2. 使用列表包裹单张图像，TensorFlow会自动添加batch维度：

# 用列表包裹后，输入shape变为(1,64,64)
prediction = model.predict([images[99]])

额外建议 #

你的任务是食物多分类，当前使用MeanSquaredError作为损失函数并不合适，建议替换为分类任务专用损失函数：

• 若标签categories_tr是整数形式（如0到100的类别索引），使用SparseCategoricalCrossentropy：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(),
              metrics=['accuracy'])

• 若标签是one-hot编码形式（形状为(样本数,101)），使用CategoricalCrossentropy：

model.compile(optimizer='adam',
              loss=tf.keras.losses.CategoricalCrossentropy(),
              metrics=['accuracy'])

内容的提问来源于stack exchange，提问作者Sergey Bobkov