TensorFlow2自定义图像类设置IMAGE_SIZE无效问题排查

• 核心诱因是历史pickle缓存未更新且缓存读写逻辑存在缺陷：
  你写的load_dataset方法会优先读取固定路径..\\SeekThermal\\下的缓存文件，只有当该路径下缓存完全不存在时才会重新执行预处理。你此前曾使用IMAGE_SIZE=100的参数运行过代码，在该路径下生成了尺寸为(4732, 100, 100, 3)的旧缓存。后续修改传入的IMAGE_SIZE参数时，代码直接读取旧缓存返回，根本没有执行新参数对应的resize、归一化等预处理流程，因此无论怎么调整传入的尺寸参数，输出始终是旧缓存里的100×100规格。
• 代码中存在的其他问题会进一步导致该现象难以排查：
  • 缓存读写路径不一致：写入pickle时文件存在当前工作目录，读取时却去上级目录的SeekThermal文件夹下找，极易出现读到远古旧缓存、新生成的缓存完全不生效的问题。
  • 裸异常捕获吞掉所有报错：所有代码块都用无参数的except:包裹，哪怕预处理、reshape流程出错也不会抛出明确提示，只会静默走异常分支，开发者根本感知不到代码实际执行逻辑。
  • 打乱逻辑效率极低：在遍历单张图片的循环内反复执行random.shuffle(self.image_data)，每加一张图就打乱一次整个数据集，完全没必要，还会拖慢加载速度。
  • 无效代码引发隐式报错：多处写了print(self.X_data)，但类中从未定义self.X_data属性，只有局部变量X_Data，这些打印语句执行时本就会触发属性错误，只是被裸except捕获没有暴露。

• 第一步：清除旧缓存
  找到..\\SeekThermal\\路径，删除路径下的X_Data、Y_Data两个旧pickle文件，强制代码首次运行时走新参数的预处理流程。
• 第二步：修正缓存读写逻辑
  统一缓存读写路径，并且将缓存文件名和当前使用的IMAGE_SIZE参数绑定，避免不同尺寸的缓存互相覆盖，替换原有pickle_image、load_dataset方法即可：

import os
def pickle_image(self):
    """
    生成数据集并序列化存储为pickle缓存
    :return: 处理好的特征张量X_Data、标签张量Y_Data
    """
    X_Data,Y_Data = self.process_image()
    # 缓存文件名绑定尺寸参数，避免不同规格缓存冲突
    x_cache_name = f'X_Data_{self.IMAGE_SIZE}'
    y_cache_name = f'Y_Data_{self.IMAGE_SIZE}'
    # 统一缓存存储路径，存在数据集目录下的cache文件夹中，自动创建不存在的目录
    cache_dir = os.path.join(self.PATH, 'cache')
    os.makedirs(cache_dir, exist_ok=True)
    # 写入特征缓存
    with open(os.path.join(cache_dir, x_cache_name), 'wb') as pickle_out:
        pickle.dump(X_Data, pickle_out)
    # 写入标签缓存
    with open(os.path.join(cache_dir, y_cache_name), 'wb') as pickle_out:
        pickle.dump(Y_Data, pickle_out)
    print("Pickled Image Successfully ")
    return X_Data,Y_Data

def load_dataset(self):
    # 按照当前尺寸参数匹配对应缓存，读写路径和写入逻辑完全一致
    cache_dir = os.path.join(self.PATH, 'cache')
    x_cache_path = os.path.join(cache_dir, f'X_Data_{self.IMAGE_SIZE}')
    y_cache_path = os.path.join(cache_dir, f'Y_Data_{self.IMAGE_SIZE}')
    # 匹配到对应尺寸的缓存才读取
    if os.path.exists(x_cache_path) and os.path.exists(y_cache_path):
        with open(x_cache_path, 'rb') as X_Temp:
            X_Data = pickle.load(X_Temp)
        with open(y_cache_path, 'rb') as Y_Temp:
            Y_Data = pickle.load(Y_Temp)
        print(f'Reading Dataset from Pickle Object, image size {self.IMAGE_SIZE}')
        return X_Data,Y_Data
    # 没有匹配缓存则重新预处理生成
    print('Could not Found Matching Pickle File ')
    print('Loading File and Dataset  ..........')
    X_Data,Y_Data = self.pickle_image()
    return X_Data,Y_Data

• 第三步：修正预处理逻辑的问题
  把循环内的shuffle移到所有图片加载完成后执行，删除无效的self.X_data打印语句，增加图片读取失败的判断，不要裸吞异常，替换原有process_image方法即可：

import cv2
import random
import numpy as np
def process_image(self):
    """
    遍历路径读取图像并做预处理
    :return: 归一化后的特征张量X_Data、标签张量Y_Data
    """
    self.CATEGORIES = self.get_categories()
    self.image_data = []
    for categories in self.CATEGORIES:
        train_folder_path = os.path.join(self.PATH, categories)
        class_index = self.CATEGORIES.index(categories)
        for img in os.listdir(train_folder_path):
            new_path = os.path.join(train_folder_path, img)
            try:
                image_data_temp = cv2.imread(new_path)
                # 跳过读取失败的损坏图片
                if image_data_temp is None:
                    continue
                image_temp_resize = cv2.resize(image_data_temp, (self.IMAGE_SIZE, self.IMAGE_SIZE))
                self.image_data.append([image_temp_resize, class_index])
            except Exception as e:
                # 打印具体错误信息方便排查，不要静默吞掉异常
                print(f"Process image {new_path} failed: {str(e)}")
                continue
    # 所有图片加载完成后统一打乱一次即可
    random.shuffle(self.image_data)
    self.x_data = []
    self.y_data = []
    for x in self.image_data:
        self.x_data.append(x[0])
        self.y_data.append(x[1])
    X_Data = np.asarray(self.x_data) / 255.0
    Y_Data = np.asarray(self.y_data)
    print(f"Compiled X_data shape: {X_Data.shape}")
    return X_Data, Y_Data

修改完成后，传入不同的IMAGE_SIZE参数时，代码会自动匹配对应尺寸的缓存，没有缓存就重新生成对应尺寸的数据集，不会再出现尺寸锁死在100×100的问题。

内容的提问来源于stack exchange，提问作者Bluetail