为什么Keras模型predict函数会报图像形状不匹配的警告与错误？

• 模型定义时的输入要求为(批量大小, 28, 28)格式，model.predict()会默认将输入的第一维识别为批量维度。你直接传入test_images[2]时，其原生shape为(28, 28)，TensorFlow会自动把第一个28识别为批量大小，实际送入模型的输入维度变成了(28, 28)，和模型预期的(None, 28, 28)维度不匹配，所以触发报错。
• 训练阶段你对训练集做了/255的归一化处理，但预测时直接传入原始0-255范围的像素值，即使维度修正后也会导致预测结果偏差，必须同步做归一化。

以下两种修改方式二选一即可：

1. 用np.expand_dims为单张样本手动新增批量维度，同时完成归一化：

import numpy as np
# axis=0表示在最前面新增批量维度，处理后输入shape为(1,28,28)
pred_res = model.predict(np.expand_dims(test_images[2]/255, axis=0))
# 取概率最大的类别作为预测结果
pred_label = np.argmax(pred_res)

2. 用切片方式取单张样本，切片操作会自动保留批量维度：

# test_images[2:3]的shape原生为(1,28,28)，不需要额外调整维度
pred_res = model.predict(test_images[2:3]/255)
pred_label = np.argmax(pred_res)

内容的提问来源于stack exchange，提问作者BossWangST