运行TensorFlow加载图像示例报错（process_path函数异常）

我来帮你一步步搞定这两个踩坑点，先从最开始的TypeError说起，再解决标签格式不兼容的训练报错问题。

一、修复Dataset.map时的bool类型不匹配错误 #

你遇到的TypeError: Value passed to parameter 'input' has DataType 'bool'，核心原因是process_path函数里的标签处理逻辑生成了布尔型张量，而TensorFlow的后续操作需要数值类型（整数/浮点）的输入。

官方教程里是通过文件路径的父目录名映射标签，正确的做法是把目录名转换成整数索引，而不是返回布尔值。这里给你两种可靠的实现方式：

方法1：用哈希表高效映射标签（推荐） #

哈希表是TensorFlow中处理字符串到整数映射的高效方式，避免布尔值问题：

import tensorflow as tf
import pathlib
import numpy as np

data_dir = pathlib.Path("flowers_photos")
class_names = np.array(sorted([item.name for item in data_dir.glob('*') if item.name != "LICENSE.txt"]))
num_classes = len(class_names)

# 创建字符串到整数标签的哈希映射表
label_table = tf.lookup.StaticHashTable(
    initializer=tf.lookup.KeyValueTensorInitializer(
        keys=class_names,
        values=tf.constant(range(num_classes), dtype=tf.int32)
    ),
    default_value=tf.constant(-1, dtype=tf.int32)
)

AUTOTUNE = tf.data.AUTOTUNE
img_height, img_width = 180, 180

def process_path(file_path):
    # 加载并预处理图像
    img = tf.io.read_file(file_path)
    img = tf.image.decode_jpeg(img, channels=3)
    img = tf.image.resize(img, [img_height, img_width])
    # 提取目录名并转换为整数标签
    label_str = tf.strings.split(file_path, os.sep)[-2]
    label = label_table.lookup(label_str)
    return img, label

方法2：用tf.argmax转换布尔匹配结果 #

如果不想用哈希表，也可以直接把布尔匹配结果转成整数索引：

def process_path(file_path):
    # 图像加载部分同上
    ...
    # 转换标签：从布尔匹配中提取索引
    label_str = tf.strings.split(file_path, os.sep)[-2]
    label = tf.argmax(tf.equal(label_str, class_names))  # 返回标量整数
    return img, label

二、修复标签格式不兼容导致的训练报错 #

你提到标签变成独热编码（如[[1.0 0 0 0 0]]）后，训练时出现Logits and labels must have the same first dimension错误，这是因为：

• 模型最后一层输出是(batch_size, 5)的logits
• 独热标签如果是(batch_size, 1, 5)的形状，会被展平成(batch_size,5)？不对，你的错误显示标签形状是[25]，说明标签被错误地拉平成一维，和logits的二维形状不匹配。

解决步骤： #

1. 去掉独热编码逻辑：直接返回整数标签（比如4），不要用tf.one_hot转换
2. 确保标签是标量形状：如果标签是(1,)的形状，用tf.squeeze压缩多余维度
3. 使用对应损失函数：整数标签搭配SparseCategoricalCrossentropy损失（官方教程默认方案）

调整后的数据处理与训练代码 #

# 生成文件路径数据集
list_ds = tf.data.Dataset.list_files(str(data_dir/'*/*'), shuffle=False)
list_ds = list_ds.shuffle(1000, reshuffle_each_iteration=False)

# 划分训练/验证集
val_size = int(len(list(list_ds)) * 0.2)
train_ds = list_ds.skip(val_size)
val_ds = list_ds.take(val_size)

# 处理路径并修复标签形状
train_ds = train_ds.map(process_path, num_parallel_calls=AUTOTUNE)
val_ds = val_ds.map(process_path, num_parallel_calls=AUTOTUNE)

# 压缩标签的多余维度（如果需要）
train_ds = train_ds.map(lambda x, y: (x, tf.squeeze(y, axis=0)))
val_ds = val_ds.map(lambda x, y: (x, tf.squeeze(y, axis=0)))

# 批量处理
train_ds = train_ds.batch(32).prefetch(AUTOTUNE)
val_ds = val_ds.batch(32).prefetch(AUTOTUNE)

# 构建并编译模型
model = tf.keras.Sequential([
    tf.keras.layers.Rescaling(1./255),
    tf.keras.layers.Conv2D(32, 3, activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(32, 3, activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Conv2D(32, 3, activation='relu'),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(num_classes)
])

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

# 启动训练
model.fit(train_ds, validation_data=val_ds, epochs=15)

这样调整后，标签会是和样本一一对应的整数，和模型输出的logits维度完全匹配，就能正常训练了。

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