TensorFlow输入形状不匹配报错求助：(64,)与(?,100,100,3)不兼容

这个报错太典型了——你的模型明确期望接收形状为(?, 100, 100, 3)的输入（也就是一批高度100、宽度100、3通道的RGB图像），但你实际喂进去的是一个形状为(64,)的一维数组，形状完全对不上，自然会触发错误。结合你给出的代码片段，我帮你梳理下问题和解决步骤：

核心问题定位 #

从你的read_image函数来看，代码写到img...就中断了，大概率是没有对图像做统一的尺寸缩放预处理，或者后续环节把图像数据错误地扁平化了，导致最终输入模型的数据形状完全不符合要求。

具体解决方案 #

1. 补全图像预处理，确保单张图形状正确 #

在读取图像后，必须把每张图resize到模型期望的(100,100,3)，修改你的read_image函数：

def read_image(path):
    cate=[path+x for x in os.listdir(path) if os.path.isdir(path+x)]
    imgs=[]
    labels = []
    for idx,folder in enumerate(cate):
        for im in glob.glob(folder+'/*.jpg'):
            img = io.imread(im)
            # 关键：添加resize步骤，统一图像尺寸
            img = transform.resize(img, (w, h, c))
            imgs.append(img)
            labels.append(idx)
    # 转成numpy数组，确保形状为(N, 100, 100, 3)，N是样本总数
    imgs = np.array(imgs, dtype=np.float32)
    labels = np.array(labels, dtype=np.int32)
    return imgs, labels

2. 检查输入数据的形状，避免扁平化错误 #

在把数据喂给模型前，一定要打印检查形状，确认数据格式正确：

imgs, labels = read_image(path)
print("数据集形状:", imgs.shape)  # 正常应该输出类似 (xxx, 100, 100, 3)

如果输出的形状不符合预期，就要回溯排查：是不是resize没生效？是不是后续代码里不小心做了flatten()或者reshape(-1)这类扁平化操作？

3. 喂数据时保持正确的批次形状 #

不管你是用model.fit、model.predict还是原生的session.run，输入的批次数据形状应该是(batch_size, 100, 100, 3)，比如取32张图作为批次：

batch_imgs = imgs[:32]
print("批次形状:", batch_imgs.shape)  # 应该输出 (32, 100, 100, 3)
# 再喂给模型
model.predict(batch_imgs)

绝对不能把批次数据变成一维的（比如(32*100*100*3,)），这就是你报错里出现(64,)的原因——大概率是误操作把图像扁平化后只取了64个元素。

快速调试技巧 #

如果还是不确定哪里出问题，在每个关键步骤后打印形状：读取图像后、resize后、转数组后、取批次后，一步步排查就能找到形状变形的环节。

内容的提问来源于stack exchange，提问作者alex.zhang