TensorFlow双输入模型提升batch size时报输入张量数量错误如何解决

核心报错逻辑 #

你的双输入TensorFlow模型要求传入长度为2的张量列表，两个张量的第一维均为batch size，形状对应[None,80,80,64,1]。当batch size设为8时，你返回的嵌套列表拆平后共有8*2=16个独立张量，TensorFlow会将所有列表元素识别为独立输入，因此触发“期望2个输入，收到16个输入张量”的报错。

1. 数据生成器错误修正 #

你当前的__getitem__存在3处错误：

• 循环逻辑错误：range(len(batch_size))写法错误，batch_size为整数，调用len()会直接报错，应改为range(self.batch_size)
• 输入结构错误：你按样本维度拼接输入，生成了[[样本1输入1,样本1输入2], [样本2输入1,样本2输入2]...]的嵌套列表，不符合模型输入要求
• 返回值笔误：你最后返回的是单次循环的inputs和label，而非拼接后的inputLst和labelLst

修正后的代码如下：

def __getitem__(self, index):
    input1_lst, input2_lst, label_lst = [], [], []
    for i in range(self.batch_size):
        # 替换为你实际的样本加载逻辑
        input1 = load(input1_path)
        input2 = load(input2_path)
        label = load(label_path)
        input1_lst.append(input1)
        input2_lst.append(input2)
        label_lst.append(label)
    # 按输入类型堆叠，生成带batch维度的张量
    batch_input1 = tf.stack(input1_lst, axis=0)
    batch_input2 = tf.stack(input2_lst, axis=0)
    batch_label = tf.stack(label_lst, axis=0)
    # 返回长度为2的输入张量列表，符合模型要求
    return [batch_input1, batch_input2], batch_label

2. 训练流程错误修正 #

你当前逐样本计算梯度再平均的写法不仅浪费mini batch的并行计算能力，还存在变量名拼写错误（gradient_of_generator和前面定义的gradients_of_generator不一致），推荐直接用整batch输入计算，修正代码如下：

with tf.GradientTape() as gen_tape:
    # 直接传入整batch的双输入列表即可
    generated_img = generator(batch_inputs, training=True)
    loss_Gen = Unet_loss(batch_label, generated_img)
# 直接计算整batch梯度，无需手动取平均
gradients_of_generator = gen_tape.gradient(loss_Gen, generator.trainable_variables)
generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables))

如果确实有特殊需求必须逐样本计算梯度再平均，需要保证每个样本传入模型的是[单样本input1, 单样本input2]的双元素列表，和batch size为1时的输入格式保持一致即可。

内容的提问来源于stack exchange，提问作者Qwaj