Keras训练RGB图像时输入维度不匹配报错问题排查

看起来你踩了两个常见的Keras入门坑，我帮你拆解一下问题并给出具体的修正方案：

1. Input Shape 参数完全写错了 #

你在Flatten层里设置的input_shape=(811, 255, 255, 3)是核心错误之一。Keras中input_shape定义的是单个训练样本的形状，而不是整个数据集的维度。你的数据集形状是(811, 250, 250, 3)，其中811是样本总数，单个样本的形状应该是(250, 250, 3)（或者你预期的(255,255,3)），完全不需要把样本数量写进input_shape里。

2. 图像实际尺寸和预期不匹配 #

你说计划将图像转为(255,255,3)的数组，但实际生成的img_array是(811,250,250,3)。这是因为matplotlib.imread只会读取图像的原始尺寸，不会自动帮你统一调整大小。你需要手动把所有图像resize到同一个目标尺寸。

修正后的完整代码示例 #

第一步：统一图像尺寸并生成数据集

import numpy as np
from matplotlib import pyplot as plt
from tensorflow import keras
import cv2  # 用OpenCV做resize很方便，也可以用PIL库

# 假设你已经有所有图像的路径列表image_paths
img_array = []
for img_path in image_paths:
    # 读取图像
    img = plt.imread(img_path)
    # 强制resize到255x255，确保所有图像尺寸一致
    resized_img = cv2.resize(img, (255, 255))
    img_array.append(resized_img)
# 转为numpy数组，此时形状应该是(811,255,255,3)
img_array = np.array(img_array)
# 可选但推荐：将像素值归一化到0-1区间，提升模型训练稳定性
img_array = img_array / 255.0

第二步：修正模型结构

model = keras.Sequential([
    # 这里只需要传入单个样本的形状：(255,255,3)
    keras.layers.Flatten(input_shape=(255, 255, 3)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(img_array, facey_label, epochs=5)

额外小提示 #

• 如果不想用OpenCV，也可以用PIL库的Image.resize方法处理图像，用法类似：

  from PIL import Image
  img = Image.open(img_path)
  resized_img = img.resize((255, 255))
  # 转为numpy数组
  resized_img = np.array(resized_img)
  

• 如果你用的是彩色图像，注意确认颜色通道顺序（RGB/BGR）是否符合Keras的预期，不过一般情况下imread和cv2.resize不会有问题。

内容的提问来源于stack exchange，提问作者elksie5000