TFF 0.18调用ResNet50时出现输入shape不兼容报错如何解决

• 数据集读取参数配置错误：给flow_from_directory设置了class_mode=None，该参数会让生成器只返回图像批次，不返回标签。你用images, labels = next(...)接收返回值时，会把形状为(2, 180, 180, 3)的2张图批次拆分成两个形状为(180, 180, 3)的单张图，分别赋值给images和labels，最终构造的sample_batch完全不存在标签，且两个元素都丢失了batch维度。
• Keras模型输入规则不匹配：你定义的ResNet50输入形状为(180, 180, 3)，Keras会自动在最前面补充batch维度，要求实际输入的形状为(batch_size, 180, 180, 3)，而你生成的输入spec没有batch维度，所以触发形状不匹配报错。

• 优先修复数据集读取逻辑，去掉class_mode=None参数，根据你的标签类型指定对应的class_mode（分类任务常用sparse对应整数标签、categorical对应独热编码标签），正确拿到带batch维度的图像和标签批次：

# 示例使用sparse类型标签，可根据实际场景调整class_mode取值
data_gen = img_gen.flow_from_directory(path0, target_size=(180, 180), batch_size = 2, class_mode='sparse')
images, labels = next(data_gen)
# 此时images形状应为(2, 180, 180, 3)，labels形状为(2,)，均携带batch维度
sample_batch = (images, labels)
input_spec = tf.nest.map_structure(tensor_spec_from_ndarray, sample_batch)

• 若有特殊场景需要处理单样本输入，可手动给样本添加batch维度后再生成input_spec：

# 给单样本的第0位添加batch维度
sample_batch = (tf.expand_dims(images, 0), tf.expand_dims(labels, 0))
input_spec = tf.nest.map_structure(tensor_spec_from_ndarray, sample_batch)

• 修复后验证input_spec结构，正常输出应如下所示，第一个维度为batch维度：

(TensorSpec(shape=(2, 180, 180, 3), dtype=tf.float32, name=None), TensorSpec(shape=(2,), dtype=tf.int32, name=None))

内容的提问来源于stack exchange，提问作者seni