如何将输入图像馈入DNN集成模型？多输入不匹配报错求解

错误原因 #

你定义的集成模型为多输入结构：构造时inputs参数传入了长度为5的子模型输入列表，要求训练时必须传入长度为5的输入列表，列表中每个元素对应一个子模型的输入，形状为(样本数, 160, 160, 3)。
你使用np.dstack拼接图像的操作，将5份图像在宽度维度拼接为单个形状为(300, 160, 800, 3)的张量，不符合模型的输入要求，因此触发报错。

修复步骤 #

1. 替换图像堆叠逻辑 #

删除原有的np.dstack拼接代码，直接构造符合要求的多输入列表：

stacked_img_data = [
    np.array(img_data[0:300]),
    np.array(img_data[0:300]),
    np.array(img_data[0:300]),
    np.array(img_data[0:300]),
    np.array(img_data[0:300])
]

2. 验证输入格式（可选） #

执行以下代码确认输入形状匹配：

for idx, input_tensor in enumerate(stacked_img_data):
    print(f"子模型{idx+1}输入形状：", input_tensor.shape)

输出应为5条(300, 160, 160, 3)，代表输入格式正确。

3. 执行训练 #

原有训练代码无需修改，直接运行即可：

history = stacked_model.fit(x = stacked_img_data, y = target_val, epochs=10)

可选优化 #

后续如果需要扩容数据集降低内存占用，可以使用tf.data.Dataset构造多输入流水线，避免一次性加载全量数据到内存。

内容的提问来源于stack exchange，提问作者Thulfiqar