Keras ResNet50迁移学习预测输入形状不兼容问题求助

问题根源 #

• 缺失Batch维度：Keras模型默认接收批量输入，形状要求为(batch_size, 224, 224, 3)，但你传入的单张图像是(224,224,3)，无batch维度。模型会误将第一个维度224识别为batch_size，剩余的(224,3)与期望输入形状不匹配，引发报错（报错中的32为显示异常，核心是维度缺失）。
• 预处理冗余且顺序错误：模型构建时已包含preprocess_input和Rescaling层，预测时重复执行会破坏数据分布，甚至引发维度处理异常。

修复方案 #

1. 给输入添加Batch维度 #

在调用predict前，用tf.expand_dims为单张图像添加batch维度：

wg_model.predict(tf.expand_dims(im_arr_scaled, axis=0))

2. 移除冗余预处理步骤 #

模型内部已包含完整预处理流程，预测时无需重复执行，修改后的预测代码如下：

# 加载图像并转换为数组
ims = keras.utils.load_img(test_files[0], target_size=(224, 224))
im_arr = keras.utils.img_to_array(ims)

# 添加batch维度
im_arr_batch = tf.expand_dims(im_arr, axis=0)

WEIGHTS = "/home/app/src/experiments/exp_007/model.01-5.2777.h5"
wg_model = resnet_50.create_model(weights=WEIGHTS)

# 执行预测
wg_model.predict(im_arr_batch)

3. 修正模型构建中的预处理顺序 #

ResNet50的preprocess_input基于原始0-255像素值设计，需调整预处理顺序，确保先做缩放再做模型专属预处理：

# 模型构建代码中调整顺序
x = augmentation_layer(inputs)
# 先缩放再做preprocess_input
scale_layer = layers.Rescaling(scale=1./255)
x = scale_layer(x)
x = preprocess_input(x)

验证方法 #

打印关键步骤的张量形状，确认维度符合要求：

print("im_arr shape:", im_arr.shape)  # 预期输出：(224, 224, 3)
print("im_arr_batch shape:", im_arr_batch.shape)  # 预期输出：(1, 224, 224, 3)

内容的提问来源于stack exchange，提问作者agustin