复现Keras迁移学习教程：跳过缓存步骤及解决输入形状不匹配错误

报错原因 #

你遇到的形状不匹配报错，本质是模型要求输入为带批次维度的批量数据（形状格式为(None, 150, 150, 3)，第一个维度为批次大小），跳过原代码后，数据集返回的单张图片形状为(150, 150, 3)，缺失批次维度才触发报错。原代码中的cache()和prefetch()仅用于优化数据读取速度，和形状匹配无关，你完全可以去掉这两个配置，只要保证数据集能输出带批次维度的数据即可。

可用修改方案 #

方案1：仅保留batch操作 #

直接删掉cache()和prefetch()配置，仅保留生成批次的batch()方法即可：

batch_size = 32

train_ds = train_ds.batch(batch_size)
validation_ds = validation_ds.batch(batch_size)
test_ds = test_ds.batch(batch_size)

方案2：完全不修改数据集处理代码，在fit时指定batch_size #

如果你不想对数据集处理逻辑做任何修改，直接在调用model.fit()时传入batch_size参数即可，框架会自动对数据集按指定大小打包，补充批次维度：

# 示例fit调用，其余参数按你原有配置保留即可
model.fit(
    train_ds,
    validation_data=validation_ds,
    epochs=你的训练轮数,
    batch_size=32
)

注意事项 #

• 采用方案2时，要保证数据集没有提前执行过batch()操作，否则会重复叠加批次维度导致新的形状错误。
• 去掉cache()配置后，每轮训练都会重新从磁盘读取图片，训练速度会有所下降，但功能完全正常。

内容的提问来源于stack exchange，提问作者Francesco Grossetti