CNN猫狗图像分类报错：target与output维度不匹配

错误日志 #

File "c:\Users\UserPC\Downloads\image-classification-using-cnn-master\image-classification-using-cnn-master\Code\main.py", line 164, in <module>
    history = model.fit(
              ^^^^^^^^^^
  File "C:\Users\UserPC\AppData\Local\Programs\Python\Python311\Lib\site-packages\keras\src\utils\traceback_utils.py", line 122, in error_handler
    raise e.with_traceback(filtered_tb) from None
  File "C:\Users\UserPC\AppData\Local\Programs\Python\Python311\Lib\site-packages\keras\src\backend\tensorflow\nn.py", line 694, in binary_crossentropy
    raise ValueError(
ValueError: Arguments `target` and `output` must have the same rank (ndim). Received: target.shape=(50,), output.shape=(50, 2)

问题核心 #

这个错误的本质是模型输出、损失函数、标签格式三者不匹配：

• 模型最后一层为Dense(2, activation='softmax')，输出形状是(batch_size, 2)，对应2类多分类输出
• 但使用的损失函数是binary_crossentropy，该损失函数为二分类任务设计，要求模型输出是(batch_size, 1)（搭配sigmoid激活），标签为(batch_size,)的整数/浮点值

修复方案 #

方案一：调整模型适配标准二分类逻辑（推荐）

将模型最后一层和损失函数改为二分类专属配置，无需修改标签格式：

def get_model():
    # ... 其余卷积、池化层保持不变 ...
    
    # 替换最后一层为单输出sigmoid激活
    model.add(Dense(1, activation='sigmoid'))  # 二分类仅需1个输出单元

    # 保留binary_crossentropy损失函数
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    print('Model prepared...')
    return model

方案二：调整损失函数适配当前多分类输出

如果想保留Dense(2, softmax)的输出层，有两种可选方式：

选项1：使用sparse_categorical_crossentropy（无需修改标签）

该损失函数直接支持整数标签与多分类输出的组合：

def get_model():
    # ... 其余层保持不变 ...
    
    # 保留Dense(2, softmax)输出层
    model.add(Dense(2, activation='softmax'))

    # 替换损失函数
    model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    print('Model prepared...')
    return model

选项2：使用categorical_crossentropy（需将标签转为独热编码）

1. 取消to_categorical的导入注释：

from keras._tf_keras.keras.utils import to_categorical

2. 修改模型损失函数：

def get_model():
    # ... 其余层保持不变 ...
    
    model.add(Dense(2, activation='softmax'))

    # 切换为categorical_crossentropy
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    print('Model prepared...')
    return model

3. 在主函数中转换标签格式：

if __name__ == "__main__":
    # ... 加载数据的代码保持不变 ...
    
    train_labels = np.array([i[1] for i in train_data])
    train_labels = to_categorical(train_labels, num_classes=2)  # 转为独热编码
    
    test_labels = np.array([i[1] for i in test_data])
    test_labels = to_categorical(test_labels, num_classes=2)  # 转为独热编码
    
    # ... 后续训练代码保持不变 ...

内容的提问来源于stack exchange，提问作者Luis Cruz