如何堆叠图像张量以在Keras中训练卷积神经网络（CNN）？

你的代码报错原因很明确：

• 执行tf.reshape(tensor, [1,128,128,3])时没把结果赋值给tensor，所以tensor还是(128,128,3)的3维形状
• 后续用tf.stack([mask_tensor, tensor])时，mask_tensor已经是(batch_size,128,128,3)的4维张量，两者维度不匹配，导致元素数量计算错误

下面给你几种正确的实现方式：

方法1：列表收集后一次性堆叠 #

这是最直观高效的方式，先把所有处理好的张量存进列表，最后统一堆叠成批量张量：

mask_tensors = []
for img in mask_img:
    image = tf.io.read_file(img)
    tensor = tf.io.decode_jpeg(image, channels=3)
    tensor = tf.image.resize(tensor, [128, 128])
    mask_tensors.append(tensor)
# 堆叠后得到形状为 (样本数, 128, 128, 3) 的张量
mask_tensor = tf.stack(mask_tensors, axis=0)

方法2：循环中用tf.concat逐步拼接 #

如果一定要在循环里逐步构建批量张量，可以用tf.concat（注意保持维度一致）：

# 初始化第一个张量并增加batch维度
image = tf.io.read_file(mask_img[0])
mask_tensor = tf.io.decode_jpeg(image, channels=3)
mask_tensor = tf.image.resize(mask_tensor, [128, 128])
mask_tensor = tf.expand_dims(mask_tensor, axis=0)

# 处理剩余图像
for img in mask_img[1:]:
    image = tf.io.read_file(img)
    tensor = tf.io.decode_jpeg(image, channels=3)
    tensor = tf.image.resize(tensor, [128, 128])
    tensor = tf.expand_dims(tensor, axis=0)
    # 在batch维度拼接
    mask_tensor = tf.concat([mask_tensor, tensor], axis=0)

方法3：用tf.data.Dataset（训练推荐） #

实际训练CNN时，更推荐用TensorFlow数据集API，它能自动处理批量、并行加载等，不用手动堆叠：

def load_and_preprocess(img_path):
    image = tf.io.read_file(img_path)
    tensor = tf.io.decode_jpeg(image, channels=3)
    tensor = tf.image.resize(tensor, [128, 128])
    # 可添加归一化操作，比如转成float并除以255
    tensor = tf.cast(tensor, tf.float32) / 255.0
    return tensor

# 创建数据集
dataset = tf.data.Dataset.from_tensor_slices(mask_img)
dataset = dataset.map(load_and_preprocess, num_parallel_calls=tf.data.AUTOTUNE)
# 设置批量大小
dataset = dataset.batch(32)

# 后续直接将数据集喂给模型训练即可
# model.fit(dataset, epochs=10)

内容的提问来源于stack exchange，提问作者user19676560