TensorFlow Sequential模型输入张量异常及数据集适配问题求助

问题现象 #

从TensorFlow官方AutoEncoder入门示例复制的代码可正常处理Fashion MNIST数据集，但使用自制数据集时出现冗长警告及ValueError：

• 自制x_train形状：

tf.shape(x_train)
# 输出 <tf.Tensor: shape=(3,), dtype=int32, numpy=array([169,28,28])>

• MNIST数据集x_train形状：

tf.shape(x_train)
# 输出 <tf.Tensor: shape=(3,), dtype=int32, numpy=array([60000,28,28])>

自制数据集生成代码：

dir_path='auto/ttt/'
data=[]
x_train=[]
for i in os.listdir(dir_path):
    img=image.load_img(dir_path+'//'+i,color_mode='grayscale',target_size=(28,28))  
    data=np.array(img)
    data=data/255.0
    x_train.append(data)

收到的警告：

WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs=(<tf.Tensor 'IteratorGetNext:0' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:1' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:2' shape=(None, 28) 
dtype=float32>, <tf.Tensor 'IteratorGetNext:3' shape=(None, 28) 
dtype=float32>, <tf.Tensor 'IteratorGetNext:4' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:5' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:6' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:7' shape=(None, 28) dtype=flo...

触发的ValueError：

ValueError: Exception encountered when calling layer "sequential_4" (type Sequential).
        
Layer "flatten_2" expects 1 input(s), but it received 169 input tensors. Inputs received: [<tf.Tensor 'IteratorGetNext:0' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:1' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:2' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:3' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:4' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:5' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:6' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:7' shape=(None, 28) dtype=float32>, <tf.Tensor 'IteratorGetNext:8' shape=(None, 28) dtype=float3...

问题根源 #

自制的x_train是Python列表，而非NumPy数组或TensorFlow张量。虽然tf.shape返回的形状看似符合要求，但当将列表传入Keras模型时，模型会把列表中的每一个28x28元素当作独立的输入张量，导致原本应该是1个批量输入（形状(169,28,28)）变成了169个单独的输入，与模型期望的输入格式不匹配，从而触发警告和错误。

修复方案 #

在数据集生成循环结束后，将Python列表转换为NumPy数组或TensorFlow张量：

修改后的代码 #

import numpy as np
from tensorflow.keras.preprocessing import image
import os

dir_path='auto/ttt/'
x_train=[]
for i in os.listdir(dir_path):
    img=image.load_img(dir_path+'//'+i,color_mode='grayscale',target_size=(28,28))  
    data=np.array(img)
    data=data/255.0
    x_train.append(data)
# 关键：将列表转为NumPy数组
x_train = np.array(x_train)
# 或者转为TensorFlow张量：x_train = tf.convert_to_tensor(x_train)

转换后，x_train会成为标准的批量张量，形状为(169,28,28)，与MNIST数据集格式一致，模型即可正常处理。

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