如何将Keras CIFAR100数据集图像从(32,32,3)转为(128,128,3)并传入模型？

为什么reshape无效 #

CIFAR100单张图像是32×32像素，总像素数为1024；目标尺寸128×128的总像素数是16384，两者像素数量不匹配。reshape仅改变数组维度排列，不会生成新像素数据，因此直接使用必然失败。

可行的转换方法 #

方法1：集成Resizing层到模型（推荐） #

在模型开头加入Resizing层，训练/推理时自动完成图像缩放，无需提前修改数据集：

import tensorflow as tf

# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar100.load_data()

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Resizing(128, 128, input_shape=(32, 32, 3)),
    tf.keras.layers.Conv2D(32, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(100, activation='softmax')
])

# 编译并训练
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

方法2：提前批量缩放数据集 #

使用tf.image.resize预处理数据，需先转换为浮点型：

import tensorflow as tf

# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar100.load_data()

# 缩放图像
x_train_resized = tf.image.resize(x_train, (128, 128))
x_test_resized = tf.image.resize(x_test, (128, 128))

# 可选：转回uint8类型（若模型需要0-255整数像素）
x_train_resized = tf.cast(x_train_resized, tf.uint8).numpy()
x_test_resized = tf.cast(x_test_resized, tf.uint8).numpy()

# 构建适配目标尺寸的模型
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(128, 128, 3)),
    # 后续模型层
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train_resized, y_train, epochs=10, validation_data=(x_test_resized, y_test))

方法3：用数据生成器实时缩放（适合内存不足场景） #

通过ImageDataGenerator实时处理，避免占用过多内存：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 定义生成器，指定target_size
train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow(x_train, y_train, target_size=(128, 128), batch_size=32)

test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow(x_test, y_test, target_size=(128, 128), batch_size=32)

# 训练模型
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(128, 128, 3)),
    # 后续模型层
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(train_generator, epochs=10, validation_data=test_generator)

传入模型的注意事项 #

• 用方法1时，模型输入形状设为原数据集的(32,32,3)即可，Resizing层自动完成转换。
• 用方法2或3时，模型输入形状需对应缩放后的(128,128,3)。
• 缩放默认用双线性插值，可通过method参数指定其他方式（如tf.image.ResizeMethod.NEAREST_NEIGHBOR）。

内容的提问来源于stack exchange，提问作者kogle