如何解决TensorFlow中网络输入数组尺寸不匹配问题？

咱们先拆解一下你遇到的错误：

ValueError: Cannot feed value of shape (4575, 28, 28, 3) for Tensor 'Placeholder_189:0', which has shape '(?, 28, 28)'

问题很清晰：你喂给网络的是3通道的RGB图像（最后一维的3代表红、绿、蓝三个通道），但你定义的输入占位符x只预留了(?,28,28)的形状——也就是单通道（灰度）图像的尺寸，两者完全不匹配，所以报错了。

下面给你两种可行的解决思路，按需选择：

方案1：用单通道灰度图输入（推荐，因为你代码里已经有转灰度的逻辑） #

你代码里已经写了转灰度的代码：

gray_images = skimage.color.rgb2gray(images28_array)

skimage.color.rgb2gray会自动把(4575,28,28,3)的RGB图像转换成(4575,28,28)的单通道灰度图，刚好匹配你占位符x的形状。

你可以在转灰度后加一行代码验证形状是否正确：

gray_images = skimage.color.rgb2gray(images28_array)
print(gray_images.shape)  # 正常应该输出 (4575, 28, 28)

然后保持你训练循环里的feed_dict={x: gray_images, y: labels}就可以了，这部分你已经写对了。

方案2：修改占位符支持RGB三通道输入 #

如果你想保留RGB彩色图像作为网络输入，只需要修改占位符x的定义，把通道数加上：

# 原来的定义
# x = tf.placeholder(dtype=tf.float32, shape =[None, 28,28])
# 修改后
x = tf.placeholder(dtype=tf.float32, shape=[None, 28, 28, 3])

后续的tf.layers.flatten会自动把(28,28,3)的图像展开成28*28*3=2352维的向量，不需要改动其他层的代码，非常方便。

额外的重要提醒 #

除了形状问题，你代码里还有一个容易踩坑的点：
你用了tf.nn.softmax_cross_entropy_with_logits_v2作为损失函数，这个函数要求标签是one-hot编码格式，但你现在传入的是原始的整数标签（比如0到61的类别编号），这会导致损失计算错误，甚至训练完全不收敛。

解决方法是把整数标签转换成one-hot向量：

# 用numpy转换（推荐在喂数据前处理）
one_hot_labels = np.eye(62)[labels]

然后修改占位符y的定义，并在训练时传入转换后的标签：

# 修改占位符y的定义
y = tf.placeholder(dtype= tf.float32, shape=[None, 62])
# 训练时喂数据
_, loss_value = sess.run([optimizer, loss], feed_dict={x: gray_images, y: one_hot_labels})

另外，tf.arg_max已经是TensorFlow 1.x里的过时函数，建议换成tf.argmax（小写的max），避免运行时警告：

correct_prediction = tf.argmax(logits, 1)

内容的提问来源于stack exchange，提问作者Raed