基于CNN的脑肿瘤检测conv2d层输入维度不匹配报错问题咨询

• 模型输入形状定义错误：Keras中Conv2D层的input_shape参数不需要包含batch维度，你当前定义的input_shape = (BATCH_SIZE, IMAGE_SIZE, IMAGE_SIZE, CHANNELS)不符合框架规范，会导致输入校验逻辑异常。
• 输入图像通道数不统一：报错的核心原因是部分上传的图像是单通道灰度图，用Image.open读取转numpy数组后形状为(256,256)，仅用np.expand_dims(x,axis=0)添加batch维度后得到的数组形状是(1,256,256)，维度数为3，不符合Conv2D要求的4维输入，触发报错。少数情况下如果上传的是RGBA四通道图像，也会出现通道数不匹配的问题。
• 之前reshape操作无效的原因：单通道图像的总元素数仅为256*256，和你硬指定的(1,256,256,3)形状的总元素数不匹配，会导致reshape逻辑异常，自然无法解决维度错误问题。

1. 修正模型输入形状定义 #

将模型的input_shape修改为不带batch维度的格式，build时使用None动态适配batch大小：

# Model
input_shape = (IMAGE_SIZE, IMAGE_SIZE, CHANNELS) # 移除BATCH_SIZE参数
n_classes = 2

model = models.Sequential([
    resize_and_rescale,
    
    layers.Conv2D(32, kernel_size = (3,3), activation='relu', input_shape=input_shape),
    layers.MaxPooling2D((2, 2)),
    
    layers.Conv2D(64,  kernel_size = (3,3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    
    layers.Conv2D(64,  kernel_size = (3,3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    
    layers.Flatten(),
    
    layers.Dense(64, activation='relu'),
    layers.Dense(n_classes, activation='softmax'),
])
# build时用None代表动态batch大小，适配单样本预测
model.build(input_shape=(None, IMAGE_SIZE, IMAGE_SIZE, CHANNELS))

2. 修正Flask预测函数的预处理逻辑 #

强制将所有输入图像转为3通道RGB格式，从根源避免通道数不一致问题：

# Function used in flask for deploying
def prediction():
    img = request.files['img']
    img.save("img.jpg")
    # 新增convert("RGB")，统一处理灰度图、RGBA图，固定通道数为3
    image = Image.open("img.jpg").convert("RGB")
    x = np.array(image.resize((256,256)))
    x = np.expand_dims(x,axis=0) # 加batch维度后形状为(1,256,256,3)，符合输入要求
    res = model.predict_on_batch(x)
    classification = np.where(res == np.amax(res))[1][0]
    a=str(round(res[0][classification]*100,2)) + '% Confidence ' + names(classification)
    return render_template("prediction.html", data=a)

可选校验逻辑 #

如果需要进一步排查问题，可以在预处理后增加形状打印代码，确认输入符合要求：

x = np.expand_dims(x,axis=0)
print(f"输入形状：{x.shape}，维度数：{x.ndim}") # 正常输出应为(1,256,256,3)，维度数4

内容的提问来源于stack exchange，提问作者Puspha22