如何解决Keras训练时的ValueError: Shapes are incompatible错误？

你的问题核心是标签编码格式和损失函数不匹配：

• 用image_dataset_from_directory默认加载的标签是整数格式（比如每个样本标签是0或1，形状为(批量大小,)）
• 你设置的输出层是2神经元+softmax（对应独热编码的多分类输出，形状(None,2)），但用了要求独热标签的categorical_crossentropy，所以出现形状不兼容错误。

下面给你两种不用改成单神经元二分类的解决方案：

方案一：加载数据时生成独热编码标签 #

直接修改image_dataset_from_directory的label_mode参数，让数据加载器自动输出独热标签，和输出层形状匹配：

# 训练集加载
train_ds = keras.utils.image_dataset_from_directory(
    "你的训练集文件夹路径",
    label_mode="categorical",  # 关键：生成独热编码标签
    batch_size=32,  # 你的批量大小
    image_size=(224, 224)  # 对应VGG16的输入尺寸，根据实际情况调整
)

# 验证集加载，参数和训练集保持一致
val_ds = keras.utils.image_dataset_from_directory(
    "你的验证集文件夹路径",
    label_mode="categorical",
    batch_size=13,
    image_size=(224, 224)
)

之后保持你的模型结构（2神经元+softmax）和categorical_crossentropy损失函数不变，直接训练即可。

方案二：改用适配整数标签的损失函数 #

如果不想修改数据加载逻辑，就把损失函数换成SparseCategoricalCrossentropy，这个损失专门处理整数格式的标签，和softmax输出完美兼容：

model.compile(
    optimizer="adam",  # 替换成你使用的优化器
    loss=keras.losses.SparseCategoricalCrossentropy(),  # 替换损失函数
    metrics=["accuracy"]
)

这种方式不需要改数据加载的参数，也不用动模型输出层结构，直接解决形状不兼容问题。

为什么改单神经元不行？ #

改成1神经元+默认sigmoid是二分类的典型配置，但这种输出是单一概率值（比如0.3表示类别0，0.7表示类别1），和你原本要的多分类输出结构不符，且如果你的分类逻辑基于类别索引，就会出现分类失效的情况。

内容的提问来源于stack exchange，提问作者Mare Maneski