python - 使用张量数组作为输入时，TensorFlow 2.4.0 model.predict 错误

Question

根据Keras Sequential Model .predict()文档，该模型可以使用多种输入形式，包括：

TensorFlow 张量或张量列表（如果模型有多个输入）。

这正是我想要做的，即使用两个张量的“批次”作为 predict() 的输入，并在以下代码中获得两个预测作为输出：

test_batch = (img_tf1, img_tf2) # two Tensors in list
predictions = model.predict(test_batch)

但是我收到以下错误：

ValueError: Layer sequential expects 1 input(s), but it received 2 input tensors. Inputs received: [<tf.Tensor 'IteratorGetNext:0' shape=(32, 224, 3) dtype=float32>, <tf.Tensor 'IteratorGetNext:1' shape=(32, 224, 3) dtype=float32>]

形状如下：

• 模型输入：<KerasTensor: shape=(None, 224, 224, 3) dtype=float32
• 测试批次：(<tf.Tensor: shape=(224, 224, 3), dtype=float32>, <tf.Tensor: shape=(224, 224, 3), dtype=float32>)

有谁知道问题出在哪里？我相信我正确地使用了 API，正如文档中所指定的那样。我的 TensorFlow 版本是 2.4.0，在 conda 环境中安装了 pip。

标签： pythontensorflowmachine-learningkerasdeep-learning

Answer 1

TensorFlow 将它们视为模型的单独输入，因为它们没有堆叠。你可以做两件事：

img1 = tf.expand_dims(img1, axis = 0) # in case you did not add batch dims.
img2 = tf.expand_dims(img2, axis = 0) # in case you did not add batch dims.

test_batch = (img1,img2)

test_batch = tf.experimental.numpy.vstack(test_batch)

preds = last_model.predict(test_batch)

或者你可以创建tf.data.Dataset，它们稍后会被批处理：

img1 = tf.random.uniform((32,32,3))
img2 = tf.random.uniform((32,32,3))

test_batch = [img1,img2] # store them in a list

test_batch = tf.data.Dataset.from_tensor_slices(test_batch).batch(1)

我们可以看到它们有一个批次维度。

test_batch
<BatchDataset shapes: (None, 32, 32, 3), types: tf.float32>

之后，可以预测：

preds = last_model.predict(test_batch)