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

一个 TensorFlow 张量，或者一个张量列表（如果模型有多个输入）。

我尝试做的正是如此，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) # 列表中的两个张量predictions = model.predict(test_batch)

然而我得到了以下错误：

ValueError: Layer sequential 期望 1 个输入，但收到了 2 个输入张量。收到的输入：[<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
• test_batch：(<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吗？我相信我按照文档的说明正确使用了 API。我的 TensorFlow 版本是 2.4.0，通过 pip 在 conda 环境中安装的。

回答：

TensorFlow 将它们视为模型的独立输入，因为它们没有被堆叠。你可以做两件事：

img1 = tf.expand_dims(img1, axis = 0) # 如果你没有添加批次维度img2 = tf.expand_dims(img2, axis = 0) # 如果你没有添加批次维度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] # 将它们存储在一个列表中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，它们可以被预测：

preds = last_model.predict(test_batch)