CNN最大池化层引发负维度尺寸错误求助

嗨，我看了你的代码和错误信息，这个问题其实是两个常见的小bug导致的，咱们一步步来解决：

首先看错误核心：Negative dimension size caused by subtracting 2 from 1，意思是你的特征图某个维度已经缩小到1了，再用2x2的最大池化窗口去处理，就会算出负数维度，直接报错。

第一个问题：卷积层堆叠错误 #

你的conv_block函数里，第二个Conv2D层的输入写的是inputs而不是上一层的输出x！这就导致两个卷积层是并行作用在同一个输入上，第一个卷积层的结果直接被覆盖了，完全没起到堆叠提取特征的作用，还可能让特征图的维度变化不符合预期。

修复这个很简单，把第二个Conv2D的输入改成x就行：

def conv_block(inputs, n_filter, regularizer, common_args):
    x = tf.keras.layers.Conv2D(filters=n_filter,
                               kernel_size=3,
                               strides=1,
                               padding='same',
                               activation='relu',
                               kernel_regularizer=regularizer,
                               **common_args)(inputs)
    # 这里把inputs改成x，让第二个卷积层接在第一个的输出后面
    x = tf.keras.layers.Conv2D(filters=n_filter,
                               kernel_size=3,
                               strides=1,
                               padding='same',
                               activation='relu',
                               kernel_regularizer=regularizer,
                               **common_args)(x)
    x = tf.keras.layers.MaxPooling2D((2, 2))(x)
    return x

第二个问题：输入数据的维度可能不对 #

从错误信息里的输入形状[?,128,10,1]（NCHW格式，对应NHWC的(None,10,1,128)）来看，你的特征图宽度已经变成1了，这说明你的输入数据可能没按照预期的(40,40,7)格式传入。比如可能不小心把通道维度放在了中间，变成了(40,7,40)，这样经过两次池化后，宽度维度就会从7→3→1，第三次池化就炸了。

你可以先验证一下输入数据的形状：

# 取一个训练样本看看形状
for sample in train_dataset.take(1):
    print("样本形状：", sample.shape)

正常应该输出(40,40,7)（未batch的情况）或者(64,40,40,7)（已batch的情况）。如果维度不对，用tf.transpose调整：

# 比如如果当前是(7,40,40)，转成(40,40,7)
adjusted_sample = tf.transpose(sample, perm=[1,2,0])

如果你的数据是channels_first格式，也可以在模型里统一指定：在Conv2D和MaxPooling2D层里加上data_format="channels_first"，同时输入层改成Input(shape=(n_bands, img_size, img_size))。

修复后验证维度变化 #

修复完上面两个问题，咱们算一下特征图的尺寸变化：

• 初始输入：40x40x7
• 第一次conv_block：两次卷积后还是40x40x32，池化后变成20x20x32
• 第二次conv_block：两次卷积后20x20x64，池化后10x10x64
• 第三次conv_block：两次卷积后10x10x128，池化后5x5x128
• Flatten后是55128=3200，完全没问题，不会出现负维度。

按照上面的步骤改完，应该就能顺利训练了！

备注：内容来源于stack exchange，提问作者riskiem