TensorFlow输入形状不兼容：数据集与模型形状匹配错误

我需要实现图像处理任务：输入一张图像，输出对应的掩码。测试阶段仅使用单张图像及其掩码，二者形状均为(720, 1280, 3)。通过以下代码创建数据集：

train_data = tf.data.Dataset.from_tensors((img, mask))

搭建的简单模型如下：

model = tf.keras.Sequential([
    tf.keras.layers.experimental.preprocessing.Rescaling(1./255, input_shape=(720, 1280, 3)),
    tf.keras.layers.Conv2D(128, 5, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(128, 5, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2DTranspose(2, [720, 1280])
])

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

运行时触发错误：

ValueError: Input 0 of layer "sequential_24" is incompatible with the layer: expected shape=(None, 720, 1280, 3), found shape=(720, 1280, 3)

核心问题是输入缺少批次维度，尝试过调整括号、使用tf.data.Dataset.from_tensor_slices，但最多得到形状为(2, 720, 1280, 3)的结果，且丢失标签列。求正确的数据集设置或模型调整方案。

1. 补全数据集的批次维度 #

Keras模型默认要求输入包含批次维度（形状格式为(batch_size, height, width, channels)），可通过两种方式解决：

方式一：给数据集添加批次维度 #

直接使用batch()方法，或手动扩展图像/掩码的维度后创建数据集：

# 方法1：通过batch方法添加批次
train_data = tf.data.Dataset.from_tensors((img, mask)).batch(1)

# 方法2：手动扩展维度后创建数据集
img_batch = tf.expand_dims(img, axis=0)
mask_batch = tf.expand_dims(mask, axis=0)
train_data = tf.data.Dataset.from_tensors((img_batch, mask_batch))

处理后数据集的元素形状为(1, 720, 1280, 3)，完全匹配模型的输入要求。

方式二：调整模型支持单样本输入 #

修改模型的input_shape为(None, None, 3)，让模型兼容任意尺寸的单样本输入，训练时手动给数据加批次维度：

model = tf.keras.Sequential([
    tf.keras.layers.experimental.preprocessing.Rescaling(1./255, input_shape=(None, None, 3)),
    tf.keras.layers.Conv2D(128, 5, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(128, 5, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2DTranspose(2, [720, 1280])
])

# 训练时扩展维度
model.fit(tf.expand_dims(img, 0), tf.expand_dims(mask, 0))

2. 修正模型的输出形状匹配问题 #

当前Conv2DTranspose层参数存在错误：经过两次MaxPooling2D（默认2倍下采样）后，特征图尺寸已缩小为(180, 320)，直接使用[720, 1280]的卷积核会导致输出形状不匹配。需调整转置卷积参数，恢复到输入掩码的尺寸：

model = tf.keras.Sequential([
    tf.keras.layers.experimental.preprocessing.Rescaling(1./255, input_shape=(720, 1280, 3)),
    tf.keras.layers.Conv2D(128, 5, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2,2)),
    tf.keras.layers.Conv2D(128, 5, padding='same', activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2,2)),
    # 两次转置卷积逐步恢复尺寸，每次上采样2倍
    tf.keras.layers.Conv2DTranspose(128, 5, strides=(2,2), padding='same', activation='relu'),
    tf.keras.layers.Conv2DTranspose(2, 5, strides=(2,2), padding='same')  # 输出通道数对应分类类别数
])

调整后模型输出形状为(batch_size, 720, 1280, 2)，与掩码形状匹配。另外，若掩码是3通道格式，需将其转换为单通道的类别索引（因为使用了SparseCategoricalCrossentropy损失）。

3. 关于from_tensor_slices的误区 #

from_tensor_slices会按输入张量的第一维度进行切片，若直接传入(img, mask)，会将(720,1280,3)的图像切分为720个形状为(1280,3)的样本，这不符合任务需求。单样本场景下，应优先使用from_tensors配合batch(1)的方案。

内容的提问来源于stack exchange，提问作者tailoxyn