dataset.images[i]=np.array(processed_image)中could not broadcast input array from shape (128,128) into shape (62,47)

这个错误提示意味着你正在尝试将一个大小为 (128, 128) 的数组广播（Broadcast）到一个大小为 (62, 47) 的数组中，从而导致了维度不匹配的错误。

在这个错误提示出现的代码行`dataset.images[i]=np.array(processed_image)`中，你正在将一个经过处理后的图像数组 `processed_image` 赋值给数据集中的某一个图像。但是，赋值操作可能会导致广播错误，特别是在赋值操作中涉及到了形状不同的数组时。

要解决这个问题，你可以检查 `processed_image` 数组的形状是否与数据集中的其他图像的形状相同。如果不是，你可以考虑调整 `processed_image` 数组的形状，使其与数据集中的其他图像的形状相同。具体来说，你可以使用 NumPy 中的 `resize` 函数或者 `crop` 函数来调整图像的大小或者裁剪图像，使其具有与数据集中的其他图像相同的形状。

以下是一个示例代码，演示如何使用 `resize` 函数将图像的大小调整为与数据集中的其他图像相同：

from skimage.transform import resize
from sklearn.datasets import fetch_lfw_people

def fetch_dataset():
    dataset = fetch_lfw_people(min_faces_per_person=100)
    # 对每张图像进行预处理
    for i in range(len(dataset.images)):
        processed_image = my_preprocessing_func(dataset.images[i])
        # 调整图像大小，使其与数据集中的其他图像相同
        processed_image = resize(processed_image, (62, 47))
        dataset.images[i] = processed_image
    return dataset

def my_preprocessing_func(image):
    # 自定义的预处理函数，对单张图像进行处理
    # ...
    return processed_image

在这个代码中，`resize` 函数被用来调整图像的大小，使其与数据集中的其他图像相同。具体来说，`resize(processed_image, (62, 47))` 调用了 `resize` 函数，将 `processed_image` 图像调整为大小为 (62, 47) 的图像。处理后的图像数据被赋值给了 `processed_image`，从而实现了对图像的调整。

需要注意的是，你需要根据自己的需求来编写 `my_preprocessing_func` 函数，并且确保它能够正确地处理输入的图像数据。同时，你也需要确保调整后的图像数据尺寸与数据集中的其他图像相同。