我之前也踩过这个一模一样的坑！明明输入数组是标准的(H,W,C)格式，plt显示完全正常，但ImageDataGenerator的宽高移位就是跟预期反过来，真的搞人心态😅

问题原因拆解 #

其实这个“反直觉”的问题出在两个点上：

1. ImageDataGenerator参数的轴对应逻辑：它的width_shift_range和height_shift_range并不是对应视觉上的宽高方向，而是直接绑定输入数组的轴索引：
   • width_shift_range控制的是数组的**第0轴（Axis 0）**移位，也就是你输入图像的视觉高度方向（上下移动）；
   • height_shift_range控制的是数组的**第1轴（Axis 1）**移位，也就是视觉宽度方向（左右移动）。
     这就和我们默认“width对应水平、height对应垂直”的直觉完全错位了，宽屏图像的差异会特别明显。
2. 可能的依赖冲突：你同时安装了独立Keras 3.13.2和TensorFlow 2.20.0，却导入了tensorflow.keras的ImageDataGenerator，不同Keras生态的混用也可能引发这类参数逻辑的异常。

解决方案（按推荐程度排序） #

1. 改用Keras新预处理层（最稳妥，无歧义）

既然你用的是Keras 3.x，推荐直接用更直观的RandomTranslation预处理层，它的参数命名完全贴合视觉逻辑：height_factor对应垂直移位，width_factor对应水平移位，再也不会搞混：

import tensorflow as tf
from tensorflow.keras.layers import RandomTranslation
import matplotlib.pyplot as plt
import cv2

# 读取并转换图像格式
img = cv2.imread('my_image.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 定义预处理序列：这里设置水平移位（width_factor=0.4）
data_augmentation = tf.keras.Sequential([
    RandomTranslation(height_factor=0.0, width_factor=0.4, fill_mode='constant', fill_value=0),
])

# 生成增强图并显示
img_batch = tf.expand_dims(img, 0)
fig, axes = plt.subplots(1, 4, figsize=(24,8))
for i in range(4):
    aug_img = data_augmentation(img_batch, training=True)
    aug = tf.squeeze(aug_img).numpy().astype('int')
    axes[i].imshow(aug)
plt.show()

2. 转置图像数组，对齐参数与视觉逻辑

把输入图像从(H,W,C)转置为(W,H,C)，这样ImageDataGenerator的参数命名就和视觉宽高对应上了：

import numpy as np
# 转置图像：交换高度和宽度轴
img_transposed = np.transpose(img, axes=(1, 0, 2))
# 此时width_shift_range对应水平移位，height_shift_range对应垂直移位
gen = ImageDataGenerator(width_shift_range=0.4, fill_mode='constant', cval=0)
show_aug_image(img_transposed, gen)
# 后续如果需要还原视觉尺寸，再转置回来即可

3. 反向使用参数（临时应急，不推荐长期用）

如果不想改图像或代码结构，直接反过来设置参数：

• 要水平移位（左右）：用height_shift_range
• 要垂直移位（上下）：用width_shift_range

示例：

# 这个设置会实现水平（左右）移位，对应你预期的width_shift效果
gen = ImageDataGenerator(height_shift_range=0.4, fill_mode='constant', cval=0)
show_aug_image(img, gen)

额外注意事项 #

• 理清楚依赖关系：如果用TensorFlow生态，直接安装tensorflow即可，无需单独安装Keras；如果用独立Keras，就统一导入keras.xxx模块，避免版本冲突。
• 验证移位方向：可以在增强后观察图像的填充区域（比如垂直移位会在上下出现黑色填充，水平移位在左右出现），确认是否符合预期。

我当时是用转置数组的方法临时解决，后来换成新预处理层就再也没碰过这个坑了，希望对你有用！