如何在Keras/TensorFlow的CNN模型中输入不同尺寸图像（禁缩放裁剪）

嘿，我明白你现在的困扰——想给CNN喂不同尺寸的图片，又不能用resize和crop，还遇到了StopIteration: 'NoneType' object cannot be interpreted as an integer的错误，我来帮你拆解一下问题！

错误的核心原因 #

你代码里用input_shape=(None,None,3)本身是没问题的（TensorFlow后端支持可变尺寸输入），但大概率是下面两个问题导致的报错：

1. 模型结构有固定维度依赖：如果你的模型后面跟着Flatten()+Dense()层，那麻烦就来了——不同尺寸的图片经过卷积池化后，特征图的大小不一样，Flatten()得到的向量维度也会变化，而Dense()层需要固定的输入维度，这就会触发维度不匹配的错误，最终表现为你看到的NoneType相关异常。
2. 数据加载的batch一致性问题：Keras的训练流程要求同一个batch内的所有图片尺寸必须一致，不同batch可以不一样，但如果你的数据生成器返回的batch里混了不同尺寸的图片，就会导致模型无法解析输入形状，进而抛出错误。

针对性解决方案 #

1. 重构模型，去掉固定维度依赖 #

把需要固定输入的Flatten()+Dense()组合，换成全局池化层（GlobalAveragePooling2D或GlobalMaxPooling2D）。全局池化层会对每个卷积通道的特征图取平均/最大值，不管输入图片多大，输出都是固定维度的向量，完美适配可变尺寸输入。

修改后的示例代码：

from keras.models import Sequential
from keras.layers import Conv2D, Activation, MaxPooling2D, GlobalAveragePooling2D, Dense

model = Sequential()
# 保留可变尺寸输入的设置
model.add(Conv2D(filters=6, kernel_size=(5,5), padding='same', input_shape=(None,None,3)))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(filters=16, kernel_size=(5,5), padding='same'))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2,2)))
# 用全局平均池化替代Flatten，输出维度固定为16（等于上一层的filters数）
model.add(GlobalAveragePooling2D())
# 后面可以正常接Dense层做分类/回归
model.add(Dense(10, activation='softmax')) # 假设是10分类任务

model.summary()

2. 调整数据加载逻辑，保证batch内尺寸一致 #

你需要确保同一个训练batch里的图片尺寸相同，不同batch可以灵活变化。可以自定义一个Sequence类来分组加载相同尺寸的图片，示例如下：

from keras.utils import Sequence
import numpy as np
from PIL import Image

class VariableSizeDataGenerator(Sequence):
    def __init__(self, image_paths, labels, batch_size=32):
        self.image_paths = image_paths
        self.labels = labels
        self.batch_size = batch_size
        # 按图片尺寸分组，同一组的图片尺寸相同
        self.size_groups = self._group_images_by_size()
    
    def _group_images_by_size(self):
        size_dict = {}
        for idx, img_path in enumerate(self.image_paths):
            with Image.open(img_path) as img:
                img_size = img.size
            if img_size not in size_dict:
                size_dict[img_size] = []
            size_dict[img_size].append(idx)
        # 把分组转换成列表，方便按batch取数
        return list(size_dict.values())
    
    def __len__(self):
        # 组数就是batch数
        return len(self.size_groups)
    
    def __getitem__(self, idx):
        current_group = self.size_groups[idx]
        batch_imgs = []
        batch_labels = []
        for img_idx in current_group:
            # 加载图片并转成数组
            img = np.array(Image.open(self.image_paths[img_idx]))
            batch_imgs.append(img)
            batch_labels.append(self.labels[img_idx])
        # 转成numpy数组返回，同一batch内形状一致
        return np.array(batch_imgs), np.array(batch_labels)

使用这个生成器时，它会自动把相同尺寸的图片放在同一个batch里，模型就能顺利处理不同尺寸的输入了。

最后检查点 #

• 确认你用的是TensorFlow后端（Keras的TensorFlow后端对可变尺寸输入支持最好）；
• 如果还有报错，检查模型的其他层有没有隐含的固定维度要求（比如某些自定义层）；
• 测试时可以先单独喂一张不同尺寸的图片，验证模型是否能正常输出，再批量测试。

内容的提问来源于stack exchange，提问作者hades24