使用tensorflow_similarity训练模型出现输入维度不匹配报错如何解决

该报错核心是输入张量维度和模型预期不匹配：模型期望接收4维输入(batch_size, 224, 224, 3)，实际传入的是5维张量，多出来的None维度几乎都来自数据加载/预处理环节的错误，和模型结构无关（你用自定义模型、官方预定义模型都报错也验证了这一点）。

• 检查数据集是否重复添加了batch维度
  如果使用tf.data.Dataset加载数据，先确认是否误调用了两次batch()方法，或是在自定义数据生成器中给单样本额外添加了维度：单样本原始形状为(224,224,3)，如果加载时误执行了tf.expand_dims()加维度，再经过batch操作后就会得到(batch_size, 1, 224,224,3)，和报错的形状完全吻合。
• 验证输入数据的实际形状
  训练前运行以下代码确认输入batch的形状：

  # 取训练集第一个batch打印形状
  for x, y in train_ds.take(1):
      print("输入batch形状：", x.shape)
  

  如果输出符合(batch_size, ?, 224, 224, 3)的格式，即可确认是数据侧的问题。
• 修正多余维度
  确认多出来的是无效维度后，通过squeeze方法删除多余轴即可：

  # 对训练、验证集都做维度修正，axis根据多余维度的实际位置调整
  train_ds = train_ds.map(lambda x, y: (tf.squeeze(x, axis=1), y))
  val_ds = val_ds.map(lambda x, y: (tf.squeeze(x, axis=1), y))
  

如果使用tf.keras.utils.image_dataset_from_directory这类目录加载API，检查是否错误设置了color_mode等参数，或是自定义预处理逻辑中误给样本加了额外维度。

内容的提问来源于stack exchange，提问作者Wave1Win