如何将NumPy数组重塑为(224,224,3)格式适配MobileNetV2

报错1：直接reshape数组到(224,224,3)失败 #

• 根因：reshape 操作只会调整数组的维度排布，不会增减元素总量。自研模型用的128128尺寸单张图总元素数是1281283=49152，而MobileNetV2要求的224224尺寸单张图总元素数是2242243=150528，元素总量不匹配时直接reshape必然报错。
• 处理思路：读取图像阶段直接resize到目标尺寸是正确方向，但不需要提前把图像展平成一维数组再reshape，直接保留(H,W,C)的三维结构转numpy数组即可，能避免很多维度转换错误。

报错2：训练时形状不兼容Shapes (None, 2) and (None, 3) are incompatible #

• 根因：标签维度和模型输出层维度不匹配。用to_categorical(Y, 2)生成的是2分类的one-hot标签，单标签维度是2，但搭建的MobileNetV2模型最后分类层设置了3个输出节点，两边维度对不上就会触发报错。

可直接运行的修复代码 #

1. 数据加载部分修正 #

import os
import numpy as np
from tensorflow.keras.utils import to_categorical
from sklearn.model_selection import train_test_split

def get_image(path):
    # 读取ELA图后先转RGB（避免PNG带alpha通道变成4通道），再resize到目标尺寸
    ela_img = generate_ela(path, 90).convert('RGB').resize((224,224))
    # 直接归一化后返回(224,224,3)结构的数组，不需要提前flatten
    return np.array(ela_img, dtype=np.float32) / 255.0

X = []
Y = []

# 加载Au类样本，标签设为1
au_path = '/content/drive/MyDrive/neural/Au'
for dir, _, files in os.walk(au_path):
    for filename in files:
        if filename.lower().endswith(('jpg', 'png')):
            X.append(get_image(os.path.join(dir, filename)))
            Y.append(1)

# 加载Sp类样本，标签设为0
sp_path = '/content/drive/MyDrive/neural/Sp'
for dir, _, files in os.walk(sp_path):
    for filename in files:
        if filename.lower().endswith(('jpg', 'png')):
            X.append(get_image(os.path.join(dir, filename)))
            Y.append(0)

# 转numpy数组，此时X形状自动为(总样本数,224,224,3)，不需要额外reshape
X = np.array(X)
# 2分类标签转one-hot，形状为(总样本数,2)
Y = to_categorical(Y, num_classes=2)

# 划分数据集，加stratify参数保证两类样本划分比例一致
X_train, X_test, Y_train, Y_test = train_test_split(
    X, Y, test_size=0.2, random_state=20, stratify=Y
)

2. 模型搭建部分修正 #

重点是最后分类层的输出节点数必须和分类数一致，2分类就设为2：

import tensorflow as tf
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras import layers, Model

# 加载Keras自带的MobileNetV2预训练模型，去掉顶部全连接层
base_model = MobileNetV2(
    input_shape=(224,224,3),
    include_top=False,
    weights='imagenet'
)
# 冻结预训练层权重，做迁移学习；需要全量微调时设为True
base_model.trainable = False

# 搭建自定义分类头
x = layers.GlobalAveragePooling2D()(base_model.output)
x = layers.Dropout(0.2)(x)
outputs = layers.Dense(2, activation='softmax')(x) # 2分类对应2个输出节点，之前误写为3才会报维度错误
modelo = Model(inputs=base_model.input, outputs=outputs)

# 编译模型
modelo.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
    loss=tf.keras.losses.CategoricalCrossentropy(),
    metrics=['accuracy']
)

# 启动训练
epochs = 50
historial = modelo.fit(
    X_train, Y_train,
    batch_size=32,
    epochs=epochs,
    validation_data=(X_test, Y_test)
)

排查提示：如果运行时还出现输入通道数不匹配的报错，优先检查generate_ela函数输出的图像是不是单通道灰度图或者4通道RGBA图，必须转成3通道RGB格式才能适配MobileNetV2的输入要求。

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