Python 如何将对象转换为数组，以便向keras中的cnn模型输入可变大小的图像

我有271张不同大小的图片，我想让它们成为我的cnn模型。首先让我们看看当我将它们全部调整为50*50时，我使用以下代码将它们提供给我的cnn模型：

data_path = "/home/nd/data1/"
data_dir_list = os.listdir(data_path)
img_data_list=[]

    for dataset in data_dir_list:
        img_list=os.listdir(data_path+'/'+ dataset)
        print ('Loaded the images of dataset-'+'{}\n'.format(dataset))
        for img in img_list:
            input_img=cv2.imread(data_path + '/'+ dataset + '/'+ img,0)
            img_data_list.append(input_img)

    img_data = np.array(img_data_list)
    img_data = img_data.astype('float32')
    img_data /= 255
    if num_channel==1:
        if K.image_dim_ordering()=='th':
            img_data= np.expand_dims(img_data, axis=1) 
        else:
            img_data= np.expand_dims(img_data, axis=4) 
    else:
        if K.image_dim_ordering()=='th':
            img_data=np.rollaxis(img_data,3,1)

---

这使得

img_数据=（271,50,50,1）为float32类型

，然后最后我使用

model.fit（img_数据，y）

。但是当我输入不同大小的图像（数字271相同）时，上面的代码（我已经注释了

img_data=img_data.astype（'float32'）

，因为否则它会给出

ValueError:用序列设置数组元素。

）使img_数据成为

对象=（271，）

（numpy模块的第二个数组对象）然后使用

模式。fit

给我错误

值错误：检查输入时出错：预期conv2d_10_输入有4维，但得到了形状为（271，1）的数组

（这里我不提供完整代码的其他详细信息，因为数据馈送中存在问题）

img_数据列表包含不同大小的图像，这使得它不可能变成
np数组
。这就是第一个错误的来源。不可能批量向卷积网络的输入提供不同形状的图像
 你能推荐任何其他支持可变大小图像输入的深度学习库吗？如果你一个接一个地输入图像（批量大小为1），这应该是可能的。在这种情况下，您必须确保实际架构不受图像大小变化的影响，这将需要对网络进行修改。在典型的卷积结构中，卷积后输出特征的数量取决于图像输入大小。所以这不仅仅是选择另一个图书馆的问题好的，我明白你的意思了。我的架构是处理卷积过程后大小变化的电缆（我使用GlobalAvgPooling）。请您帮忙在代码，如何饲料图像一个接一个，我改变了批量大小=1。但是如何一个接一个地输入图像我不知道您可以将当前的for循环（
for img in img_list
）转换为一个生成器，一次生成一个图像。然后用
fit\u generator（）
而不是
fit（）
来训练网络。通过这种方式，您可以直接将图像一个接一个地馈送到网络，而不是首先在
np数组中收集图像（这是不可能的，因为大小不同）。有关如何使用生成器训练CNN的一些样板代码，您可以查看.Thnx。我会尽力让你知道的