使用TensorFlow和Keras构建模型时fit方法输入形状匹配错误

这问题我之前调模型时也踩过坑，核心原因很直接：你的训练数据形状和模型定义的输入形状完全对不上。

问题拆解 #

你提到输入数据的形状是(345, 720, 120, 3)，意味着：

• 345是样本数量
• 每张图片的尺寸是720（高）×120（宽）×3（通道）

但你的模型第一层Lambda层定义的输入形状是(170,120,3)，Keras在训练前会严格校验输入数据和模型输入的维度匹配度，自然就抛出了expected lambda_1_input to have shape (170, 120, 3)的错误。

两种解决方案 #

根据你的实际需求选一种就行：

方案1：调整输入数据到模型期望的尺寸

如果你确实想让模型接收170×120的图片，需要把所有训练图片的高度从720缩放到170。有两种方式：

• 在模型里加入预处理层（推荐，这样预处理会整合到模型中，部署时更方便）：

  from tensorflow.keras.layers import Resizing
  
  model = Sequential()
  # 先把720×120的图片缩放到170×120
  model.add(Resizing(170, 120, input_shape=(720,120,3)))
  model.add(Lambda(lambda x: (x / 255.0) - 0.5))
  model.add(Conv2D(24,(5,5),strides=(2,2),activation='relu'))
  # ... 后续层
  

• 提前预处理数据：
  用OpenCV或Pillow批量调整图片尺寸，注意cv2.resize的参数是(宽, 高)：

  import cv2
  import numpy as np
  
  resized_X_train = np.array([cv2.resize(img, (120, 170)) for img in X_train])
  # 之后用resized_X_train去训练
  

方案2：修改模型输入形状以匹配数据

如果你是不小心写错了输入形状，实际要处理的是720×120的图片，直接修正Lambda层的input_shape即可：

model = Sequential()
model.add(Lambda(lambda x: (x / 255.0) - 0.5, input_shape=(720,120,3)))
model.add(Conv2D(24,(5,5),strides=(2,2),activation='relu'))
# ... 后续层

额外提醒 #

如果你用的是ImageDataGenerator或者tf.data.Dataset加载数据，也要确保数据加载器输出的图片尺寸和模型输入一致，比如ImageDataGenerator的target_size要设为(170,120)或(720,120)，对应你的选择。

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