Keras模型调用model.predict预测本地图片触发维度不兼容报错

model.predict() 固定要求输入为4维张量，标准形状格式为 (批量样本数, 图像高度, 图像宽度, 颜色通道数)。

• 你测试集上能正常跑通的预测逻辑，传入的X_test_scaled 是全量测试图片组成的数组，本身自带最外层的样本批量维度，整体形状为 (测试样本总数, 224, 224, 3)，完全匹配模型的输入维度要求。
• 你自定义预测函数里加载单张本地图片时，经过读取、缩放、归一化后的数组形状为 (224, 224, 3)，仅3个维度，缺失最外层的批量维度，直接传入model.predict() 就会触发维度不匹配的报错。

哪怕单张图的尺寸、通道数和训练输入完全一致，只要缺少批量维度，就会触发该错误。TensorFlow/Keras的predict接口默认按批量接收输入，即使只预测单张图，也要把这张图当作“批量大小为1”的批次传入。

在调用model.predict()前，给单张图片数组补充一个长度为1的批量维度，两种常用实现均可：

• 用numpy.expand_dims在数组第0轴（最开头）新增维度，逻辑更直观：

  def prediction(image_path):
      pred_array = cv2.imread(image_path)
      pred_array_resized = cv2.resize(pred_array, (224, 224))
      # 与训练阶段预处理保持一致，归一化到0-1区间
      pred_array_scaled = pred_array_resized.astype('float32') / 255
      # 补批量维度：形状从(224,224,3)转为(1,224,224,3)
      pred_batch = np.expand_dims(pred_array_scaled, axis=0)
      # 执行预测并返回类别
      pred_result = model.predict(pred_batch)
      return classes[np.argmax(pred_result)]
  

• 用numpy的newaxis索引快速补维度，写法更简洁：

  # 等效于在数组最开头新增一个长度为1的维度
  pred_batch = pred_array_scaled[np.newaxis, ...]
  

你当前代码的训练和预测环节都使用OpenCV读取图片，默认通道顺序为BGR，二者的预处理逻辑完全对齐，不会出现通道顺序不匹配导致的预测精度异常，不需要额外做BGR转RGB的操作。

内容的提问来源于stack exchange，提问作者Mukul Gupta