Keras ImageDataGenerator.fit()秩4/reshape尺寸不匹配报错修复

报错根因 #

• 首次触发的rank 4报错：TensorFlow/Keras框架的卷积神经网络输入要求为4维张量，维度顺序为(样本总数, 图像高度, 图像宽度, 通道数)，加载得到的原始训练集shape为(704, 227, 227)，属于3维数组，缺失了最后一维的通道数维度（灰度图通道数为1，RGB彩色图通道数为3），不符合输入要求。
• 手动reshape触发的size不匹配报错：手动指定reshape目标形状的第一维（样本数）为96，但实际训练集总样本数为704，总元素数校验不通过。计算可得704227227=36276416，和报错提示的数组总元素数完全一致，硬编码样本数会直接导致维度计算错误。

正确修复步骤 #

• 对训练、验证、测试三个数据集，动态补全通道维度，禁止硬编码样本数参数：
  若加载的是灰度格式LFW数据，执行如下代码完成维度转换：

  # 补全训练集通道维度
  xtrain = xtrain.reshape(xtrain.shape[0], xtrain.shape[1], xtrain.shape[2], 1)
  # 补全验证集通道维度
  xval = xval.reshape(xval.shape[0], xval.shape[1], xval.shape[2], 1)
  # 补全测试集通道维度
  xtest = xtest.reshape(xtest.shape[0], xtest.shape[1], xtest.shape[2], 1)
  

  若加载的是RGB三通道格式LFW数据，将上述代码中reshape的最后一个参数从1改为3即可。
• 核对LeNet模型输入层的input_shape参数，确保和单张图片维度匹配：单通道227*227尺寸输入对应参数值为(227,227,1)，三通道则为(227,227,3)。
• 维度转换完成后，直接将4维格式的xtrain传入train_generator.fit(xtrain)即可正常执行，无需额外修改fit方法的其他参数。

注意事项 #

如果加载数据集后做了训练/验证/测试集拆分，不需要手动统计各子集的样本数量，直接用数组自带的shape[0]属性动态获取当前子集的样本总数，就能完全避免reshape时元素数不匹配的问题。

内容的提问来源于stack exchange，提问作者Josh