将预训练Xception从二分类改为三分类时遇形状不兼容错误

这个错误的核心是标签形状和模型输出不匹配：

• 你的模型输出是(None, 3)的独热编码格式（对应3类分类）
• 但image_dataset_from_directory默认加载的标签是(None, 1)的整数格式（比如0、1、2分别代表三类）
• 而categorical_crossentropy损失要求标签必须是独热编码格式，所以两者不兼容。

有两种简单的解决方式：

方式一：修改数据集加载参数，输出独热编码标签 #

在调用image_dataset_from_directory时，指定label_mode='categorical'，让数据集直接输出独热编码的标签（形状为(None, 3)），和模型输出匹配：

train_ds = tf.keras.utils.image_dataset_from_directory(
    'train_dir',
    label_mode='categorical',  # 关键参数
    # 其他参数：image_size、batch_size等保持不变
)

val_ds = tf.keras.utils.image_dataset_from_directory(
    'val_dir',
    label_mode='categorical',
    # 其他参数
)

这样损失函数继续用categorical_crossentropy就可以正常训练。

方式二：修改损失函数适配整数标签 #

如果你不想修改数据集加载方式，直接把损失函数换成SparseCategoricalCrossentropy，它专门用来处理整数标签和多分类输出的场景：

model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(),  # 替换损失函数
    metrics=['accuracy']
)

这种方式不需要改动数据集的加载代码，同样能解决形状不兼容的问题。

内容的提问来源于stack exchange，提问作者coolhand