多张图像输入同一ResNet模型出现数据基数不匹配输入报错问题

你构建的是3输入的Keras模型，要求输入为长度为3的列表，列表内每个元素是首维度为总样本数的数组，分别对应3个输入分支。你当前的testX是嵌套结构，Keras会将其展开识别为9个独立输入，每个输入的首维度为224，和标签的3个样本数量不匹配，因此触发cardinality错误。

重新组织输入数据结构，代码如下：

import numpy as np

# 按三个输入分支分别组装所有样本
input_base = np.array([images[0], images[3], images[6]])
input_1 = np.array([images[1], images[4], images[7]])
input_2 = np.array([images[2], images[5], images[8]])

# 按模型定义的输入顺序组装
testX = [input_base, input_1, input_2]
# 标签转为numpy数组避免格式问题
testY = np.array(testY)

你当前输出层的激活函数选择有误：二分类任务使用1个输出神经元时，激活函数需替换为sigmoid，softmax作用于单神经元时输出恒为1，无法完成二分类判断，修改如下：

output = Dense(1, activation='sigmoid')(dense_2)

调整完成后即可正常调用fit方法训练。

内容的提问来源于stack exchange，提问作者Christopher Koho