TensorFlow图像分类绘图时StridedSlice切片越界报错如何解决？

你触发的越界报错核心原因是设置的BATCH_SIZE = 5，每个批次最多只有索引为0~4的5张图像，但绘图代码写了range(9)，尝试访问第5个索引位置的图像时，超出了批次的维度范围。

• 数据集总共有30张图像，按20%比例拆分验证集后，训练集共24张，按batch size 5拆分，单个批次最多只有5张图像，不存在索引为5的元素
• 你代码中打印的image_batch.shape输出应为(5, 256, 256, 3)，第一个维度就是单批次的图像数量，和你设置的batch size完全匹配

方法1：调整循环次数适配batch size #

把绘图循环的迭代次数改成和batch size一致，同步调整子图布局即可：

plt.figure(figsize=(10, 10))
for images, labels in train_ds.take(1):
   for i in range(BATCH_SIZE):
       ax = plt.subplot(1, BATCH_SIZE, i + 1)
       plt.imshow(images[i].numpy().astype('uint8'))
       plt.title(class_names[labels[i]])
       plt.axis("off")

方法2：修改batch size满足绘图需求 #

如果确实需要展示9张图像，直接把BATCH_SIZE调整为不小于9的数值即可，优先选择2的幂次可以提升训练效率：

BATCH_SIZE = 16

方法3：拼接多批次图像凑够展示数量 #

如果不想修改训练用的batch size，可以取多个批次的图像拼接后再选择9张展示：

plt.figure(figsize=(10, 10))
all_images = []
all_labels = []
# 取2个批次共10张图像，足够选出9张用于展示
for images, labels in train_ds.take(2):
    all_images.extend(images.numpy())
    all_labels.extend(labels.numpy())

for i in range(9):
    ax = plt.subplot(3, 3, i + 1)
    plt.imshow(all_images[i].astype('uint8'))
    plt.title(class_names[all_labels[i]])
    plt.axis("off")

内容的提问来源于stack exchange，提问作者Aditya Aryan