Keras训练U-Net时sequential层输入形状不兼容报错求助

报错核心是传入模型的图像张量存在冗余维度：模型预期输入为4维格式(批量大小, 256, 256, 3)，实际传入的是5维格式(批量大小, 1, 256, 256, 3)，问题全部出在数据预处理的维度操作逻辑上，具体有四点：

• 单张图像处理完成后，你额外执行了np.expand_dims(image_f, axis=0)给单张图增加批量维度，再将带批量维度的单图存入列表。单张测试时列表只有1个元素，转numpy数组后形状刚好是(1,256,256,3)符合要求；但加载全量数据时，每张图都自带一个长度为1的维度，所有样本堆叠后就会多出一个冗余维度，变成5维张量。
• 掩码处理存在完全相同的问题：每个单独掩码都提前加了axis=0的维度，堆叠后存入列表转数组时，掩码张量也会多出冗余维度，即使修好输入形状，后续也会触发模型输出和标签形状不匹配的错误。
• 你在循环内部每次append完样本就执行一次列表转numpy数组的操作，这步完全冗余，会随数据量上升大幅拖慢加载速度，1000张样本时加载效率会明显降低。
• 额外隐藏问题：SimpleITK读取mhd文件返回的数组默认维度顺序是(Z轴, 高, 宽)，你处理原图时取了image1[0,:,:]提取2D切片，但处理掩码时没有做相同切片操作，直接resize 3D数组也会引发维度异常。

按以下逻辑调整预处理代码即可：

1. 删除单张图像、单个掩码处理时多余的np.expand_dims操作，单样本处理完直接保留(高, 宽, 通道数)的3维形状即可，所有样本存入列表后一次性转numpy数组时，会自动在最前面生成批量维度，得到符合模型要求的4维输入/标签张量。
2. 给掩码读取步骤增加和原图一致的2D切片提取操作，避免3D数组resize带来的维度错误。
3. 将numpy数组转换操作移到循环外部，所有样本加载完成后再一次性转换，提升加载效率。

修正后的完整预处理代码如下：

dataset_dir='/content/drive/MyDrive/training'
image_ids = []
mascaras=[]
imagens=[]

for r, d, f in os.walk(dataset_dir):
    for file in f:    
        if ('ED.mhd' in file) or ('ES.mhd' in file):
            image_ids.append(os.path.join(r, file))
            image_path=os.path.join(r, file)
            # 处理原始图像
            image1 = sitk.GetArrayFromImage(sitk.ReadImage(image_path,sitk.sitkFloat32))
            image1 = image1[0,:,:] # 提取2D灰度切片
            image2 = cv2.resize(image1, (256,256))
            image3 = image2 / 255.0
            # 灰度图复制为3通道，不额外增加批量维度
            image_f = np.stack((image3, image3, image3), axis=2)
            imagens.append(image_f)

            # 处理4个分割掩码
            mask0_path = os.path.join(r,file)[:-4] + "_gt0.mhd"
            mask0_1 = sitk.GetArrayFromImage(sitk.ReadImage(mask0_path, sitk.sitkFloat32))
            mask0_2 = cv2.resize(mask0_1[0,:,:], (32,32)) # 和原图一致提取2D切片

            mask1_path = os.path.join(r,file)[:-4] + "_gt1.mhd"
            mask1_1 = sitk.GetArrayFromImage(sitk.ReadImage(mask1_path, sitk.sitkFloat32))
            mask1_2 = cv2.resize(mask1_1[0,:,:], (32,32))

            mask2_path = os.path.join(r,file)[:-4] + "_gt2.mhd"
            mask2_1 = sitk.GetArrayFromImage(sitk.ReadImage(mask2_path, sitk.sitkFloat32))
            mask2_2 = cv2.resize(mask2_1[0,:,:], (32,32))

            mask3_path = os.path.join(r,file)[:-4] + "_gt3.mhd"
            mask3_1 = sitk.GetArrayFromImage(sitk.ReadImage(mask3_path, sitk.sitkFloat32))
            mask3_2 = cv2.resize(mask3_1[0,:,:], (32,32))

            # 拼接4通道掩码，不额外增加维度
            mask_f = np.stack((mask0_2, mask1_2, mask2_2, mask3_2), axis=2)
            mascaras.append(mask_f)

# 所有样本加载完成后一次性转为numpy数组
imagens = np.array(imagens, dtype=np.float32)
mascaras = np.array(mascaras, dtype=np.float32)
# 打印形状验证
print(f"图像数据集形状：{imagens.shape}")
print(f"掩码数据集形状：{mascaras.shape}")

执行后正常输出应为：

图像数据集形状：(样本总数, 256, 256, 3)
掩码数据集形状：(样本总数, 32, 32, 4)

此时再调用model.fit()就不会再触发形状不匹配报错。

内容的提问来源于stack exchange，提问作者sprax