Python TensorFlow 2.4.0模型。使用张量数组作为输入时预测误差

根据文档，模型可以使用多种输入形式，包括：

张量流张量或张量列表（如果模型有多个输入）

这正是我要做的，即使用两个张量的“批”作为输入predict（）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，我得到以下错误：

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>]

ValueError:Layer sequential需要1个输入，但收到2个输入张量。收到的投入：[，]

形状如下：

test_batch = tf.stack([img_tf1, img_tf2])
predictions = model.predict(test_batch)

---

• 模型输入：

  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)
  
  或者您可以创建
  tf.data.Dataset
  ，它们将在以后进行批处理：
  
  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处理维度
  
  test_batch
  <BatchDataset shapes: (None, 32, 32, 3), types: tf.float32>
  
  我发现的一个可能的解决方案是简单地叠加两个张量，以创建一个批次维度，如下所示：
  
  test_batch = tf.stack([img_tf1, img_tf2])
  predictions = model.predict(test_batch)
  
  谢谢，这很有效。然而，我不明白的是，为什么文档中说模型可以将张量列表作为输入。在这种情况下，第一个维度不是批次大小，即列表的长度，为什么TensorFlow不能将其正确解释为批次维度？在模型有多个输入的情况下，可以将张量列表作为输入。我认为最有可能的是，TensorFlow无法将列表的大小解释为批处理，因为它需要以该形式进行多个输入。因此，将它们堆叠到一个数组中以创建批处理是一种最干净、最好的方法。