TensorFlow图像分类模型预测时输入形状不匹配报错如何解决

• 调用tf.image.decode_image解码图片后输出张量没有固定静态形状，TensorFlow无法正确识别输入的20x20尺寸
• 单张图片预测时缺少batch维度，模型要求输入格式为(batch_size, 宽度, 高度, 通道数)，单张样本需要补充第一维的batch_size参数（值为1）
• 调用model.predict()时多余的列表包装会被识别为多输入参数，加剧维度解析错误

方案1（推荐，一次修改适配所有测试样本） #

修改prepare_for_test函数，补充尺寸校准、形状声明、batch维度添加逻辑：

def prepare_for_test(filepath):
    img_array = tf.io.read_file(filepath)
    img_array = tf.image.decode_image(img_array, channels=3, dtype=tf.float32)
    # 强制校准为训练用的20x20尺寸，避免测试样本尺寸不一致
    img_array = tf.image.resize(img_array, (20, 20))
    # 手动声明静态形状，解决decode_image的形状丢失问题
    img_array.set_shape((20, 20, 3))
    # 新增batch维度，匹配模型输入要求
    img_array = tf.expand_dims(img_array, axis=0)
    return img_array

同步修改predict调用代码，去掉多余的列表包装：

prediction = model.predict(prepare_for_test('avia-test/00a90c41-965e-45d0-90c2-391e20cb25b7.png'))
print(prediction)

方案2（无需修改原函数，临时调试用） #

直接在预测代码中补充维度处理逻辑：

test_img = prepare_for_test('avia-test/00a90c41-965e-45d0-90c2-391e20cb25b7.png')
# 校准尺寸+添加batch维度
test_img = tf.expand_dims(tf.image.resize(test_img, (20, 20)), 0)
prediction = model.predict(test_img)
print(prediction)

修改完成后可先打印输入张量的形状，输出为(1, 20, 20, 3)即符合模型输入要求：

print(prepare_for_test('你的测试图片路径').shape)

内容的提问来源于stack exchange，提问作者svetadomoi