输入图像与张量流模型输入形状不兼容

Question

我正在构建一个模型，我想测试它的性能，因此我导入了一个本地文件并加载它，并尝试使用以下代码预测它的标签：

from tensorflow.preprocessing import image
# Other imports for tensorlfow etc.

#...

# Sample image
img_path = "./Model/data/brain/train/Glioma/images/gg (2).jpg"
img = image.load_img(img_path,target_size=(256,256))
arr = image.img_to_array(img)
t_img = tf.convert_to_tensor(arr)
print(t_img.shape) # Returns (256,256,3)
# Client testing
client = Client("brain") # Custom Class. Contains model: Sequential (compiled and trained)
client.predict(img=t_img) # Calls self.model.predict(t_img)

但是我收到以下错误：

Invalid input shape for input Tensor("data:0", shape=(32, 256, 3), dtype=float32). Expected shape (None, 256, 256, 3), but input has incompatible shape (32, 256, 3)

我在训练模型中有一个输入层，其 input_shape=[256,256,3] （来自图像宽度、高度和 RGB 值）

你能帮我理解这个问题并解决它吗？

Answer 1

Dr. Snoopy

已经在评论中给出了答案，但为了完整起见，从TF load_image页面复制了一个简短的解决方案：

image = keras.utils.load_img(image_path)
input_arr = keras.utils.img_to_array(image)
input_arr = np.array([input_arr])  # Convert single image to a batch.
predictions = model.predict(input_arr)

model.predict()

需要批量图像。此解决方案会将您的

(256, 256, 3)

形状转变为

(1, 256, 256, 3)

。还有其他解决方案，例如如果您想直接使用张量而不是数组，请使用

tf.expand_dims(image, 0)

。