使用InceptionV3遇Keras输入错误：输入形状不匹配如何解决？

这问题太常见了——你遇到的报错核心就是输入图像尺寸和InceptionV3的要求不匹配：InceptionV3默认的输入尺寸是299×299×3，但你代码里把target_size设成了229×229，直接导致模型收到的输入形状不符合预期。

咱给你两种解决方案，按需选择：

方案一：直接用模型默认的输入尺寸（最快捷） #

只需要把训练和测试数据生成器的target_size参数改成(299, 299)就行，这是最省心的方式，不需要改动模型结构：

train_datagen = ImageDataGenerator()
# 修改target_size为(299, 299)
train_batches = train_datagen.flow_from_directory('../train/', target_size=(299, 299))
test_datagen = ImageDataGenerator()
# 测试集也要同步修改
test_batches = test_datagen.flow_from_directory('../test/', target_size=(299, 299))

# 之后正常加载模型即可
model = keras.applications.InceptionV3(weights="imagenet")
clf_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

方案二：自定义输入尺寸（适合有特殊需求的场景） #

如果你确实需要用229×229的图像尺寸，那得在加载InceptionV3时指定input_shape，同时要关闭预训练的顶层分类器（因为预训练的顶层是针对299尺寸设计的），然后自己添加适配新尺寸的顶层：

# 加载不带顶层的InceptionV3，指定自定义输入形状
base_model = keras.applications.InceptionV3(
    weights="imagenet",
    include_top=False,  # 不包含预训练的顶层分类器
    input_shape=(229, 229, 3)  # 指定你的输入尺寸
)

# 冻结预训练的基础模型（可选，后续可以根据需求微调）
base_model.trainable = False

# 添加自定义的顶层分类器
x = base_model.output
x = keras.layers.GlobalAveragePooling2D()(x)  # 全局平均池化，把特征图转成向量
x = keras.layers.Dense(1024, activation='relu')(x)  # 全连接层
# 这里的num_classes要替换成你的数据集类别数
predictions = keras.layers.Dense(num_classes, activation='softmax')(x)

# 组装完整模型
clf_model = keras.models.Model(inputs=base_model.input, outputs=predictions)

# 编译模型
clf_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

注意：这种方式需要你重新训练顶层分类器，如果需要更好的效果，后续还可以解冻基础模型的部分层进行微调，但步骤会更复杂。

额外检查点 #

确保你的图像是RGB三通道的，InceptionV3默认要求3通道输入。如果你的数据集里有灰度图，可以在flow_from_directory里显式设置color_mode='rgb'（默认就是rgb，除非你之前改了这个参数）。

内容的提问来源于stack exchange，提问作者Ancalagon BerenLuthien