Keras函数式API模型预测输入尺寸不兼容问题的排查与解决

问题重现 #

使用Keras函数式API构建模型：

shape = (128,128,1)
input = Input(shape=shape)
x = Conv2D(8, kernel_size=(7,7), padding="valid", name='input_conv', activation='relu')(input)

模型训练、保存流程正常，模型摘要显示输入层形状为[(None, 128, 128, 1)]，卷积层输出符合预期：

Layer (type)                Output Shape              Param #   
=================================================================
 input_1 (InputLayer)        [(None, 128, 128, 1)]     0         
                                                                  
 input_conv (Conv2D)         (None, 122, 122, 8)       400       

加载模型后，传入形状为(128,128,1)的numpy数组执行预测：

print(f'image shape {im.shape} {type(im)}')
p = model.predict(im)

触发形状不兼容警告：

image shape (128, 128, 1) <class 'numpy.ndarray'>
WARNING:tensorflow:Model was constructed with shape (None, 128, 128, 1) for input KerasTensor(...), but it was called on an input with incompatible shape (32, 128, 1, 1).

问题解析 #

Keras模型要求输入必须包含批量维度，即标准输入形状为(batch_size, height, width, channels)。直接传入单张图片的(128,128,1)缺少批量维度，model.predict()会自动尝试补全批量维度，但因维度顺序识别错误，导致推断出不符合预期的(32, 128, 1, 1)（32为默认批量大小）。

解决方法 #

手动为输入添加批量维度，将单张图片形状调整为(1,128,128,1)：

p = model.predict(im.reshape(1,128,128,1))

内容的提问来源于stack exchange，提问作者João Silva