ResNet50 CNN模型训练fit阶段出现形状不兼容错误求助

错误根源分析 #

错误提示的Incompatible shapes: [1,64] vs. [1,32]出现在LogicalAnd节点，这是Keras计算Precision/Recall指标时触发的。核心原因：

• 你使用了sparse_categorical_crossentropy损失函数，意味着标签是一维整数数组（如[0,1,0,...]）
• 但默认的Precision()和Recall()指标默认期望标签是one-hot编码的二维数组（如[[1,0],[0,1],...]），两者形状不匹配导致计算冲突。

从打印的形状来看，训练输入和样本数是匹配的（(4727,224,224,3)和4727），输入与标签的样本数量无问题，问题集中在指标计算环节。

修复步骤 #

方案1：修改Precision/Recall参数适配稀疏标签 #

在编译模型时，给Precision和Recall添加适配稀疏标签的参数：

# 编译模型时修改metrics部分
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=[
        'accuracy',
        Precision(from_logits=False, average='macro'),
        Recall(from_logits=False, average='macro')
    ]
)

如果使用新版Keras，可直接设置sparse=True简化代码：

Precision(sparse=True), Recall(sparse=True)

方案2：将标签转换为one-hot编码 #

改用categorical_crossentropy损失函数，同时把标签转为one-hot格式：

from tensorflow.keras.utils import to_categorical

# 转换标签格式
train_labels_onehot = to_categorical(train_labels)
test_labels_onehot = to_categorical(test_labels)

# 编译模型
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy', Precision(), Recall()]
)

# 训练时传入one-hot标签
history = model.fit(train_inputs_resized, train_labels_onehot, epochs=10, batch_size=32, validation_split=0.2, callbacks=[early_stopping, model_checkpoint])

方案3：自定义适配稀疏标签的指标 #

如果上述方案无效，可自定义指标函数手动处理稀疏标签：

import tensorflow as tf

def sparse_precision(y_true, y_pred):
    y_true = tf.cast(y_true, tf.int32)
    y_pred = tf.argmax(y_pred, axis=1)
    return tf.keras.metrics.Precision()(y_true, y_pred)

def sparse_recall(y_true, y_pred):
    y_true = tf.cast(y_true, tf.int32)
    y_pred = tf.argmax(y_pred, axis=1)
    return tf.keras.metrics.Recall()(y_true, y_pred)

# 编译时使用自定义指标
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy', sparse_precision, sparse_recall]
)

额外排查建议 #

• 检查train_labels形状：确认它是一维数组（(4727,)），如果是二维（如(4727,1)），用train_labels = train_labels.flatten()展平。
• 验证模型输出形状：编译前打印model.output_shape，确认是(None,2)，与分类数匹配。

内容的提问来源于stack exchange，提问作者Anthony