TensorFlow调用train_on_batch()时出现形状不匹配错误求助

核心问题 #

报错提示输入张量为(64, 6, 784)，说明你的判别器模型内部错误地将标签与图像张量在非预期维度合并/重塑，导致原本的图像输入形状被篡改，无法匹配后续Reshape层的要求。

排查与修复步骤 #

• 检查判别器输入层定义
  必须确保图像输入和标签输入是两个独立的Input层，而非直接在输入阶段拼接。错误的做法是将标签与展平后的图像在错误维度合并（比如axis=1），或用RepeatVector等层错误扩展标签维度，导致出现(64,6,784)这类异常形状。
  正确的输入层定义应该是：

  img_input = Input(shape=(28,28,1))
  label_input = Input(shape=(6,))
  

• 定位模型内的Reshape层
  找到报错指向的Reshape层，追踪它的上游输入来源。如果该层期望将张量转为(28,28,1)，但上游输入是标签与图像的错误合并结果（比如把标签重复784次后和展平图像拼接），就会因为总元素数不匹配触发错误（6784≠2828*1）。

• 验证模型输入与数据的匹配性
  调用discriminator.summary()查看模型输入形状，确认第一个输入的shape是(None,28,28,1)，第二个是(None,6)。如果模型输入定义和传入数据形状不匹配，Keras会自动尝试调整形状，进而引发错误。

• 确认传入数据的真实状态
  尽管打印显示形状正确，仍需在调用train_on_batch前再次验证：

  print("X shape:", X.shape, "Labels shape:", labels.shape)
  print("X sample dim order:", X[0].shape) # 确认是(28,28,1)而非其他顺序
  

  排除数据生成器、预处理函数中隐含的转置、扩维操作。

正确的判别器结构示例 #

from tensorflow.keras.layers import Input, Conv2D, Flatten, Dense, Concatenate
from tensorflow.keras.models import Model

# 独立输入层
img_input = Input(shape=(28,28,1))
label_input = Input(shape=(6,))

# 处理图像特征
img_features = Conv2D(32, (3,3), activation='relu')(img_input)
img_features = Flatten()(img_features)

# 处理标签特征
label_features = Dense(64, activation='relu')(label_input)

# 融合特征（在特征层合并，而非输入层）
combined_features = Concatenate()([img_features, label_features])
combined_features = Dense(128, activation='relu')(combined_features)

# 输出层
output = Dense(1, activation='sigmoid')(combined_features)

discriminator = Model(inputs=[img_input, label_input], outputs=output)
discriminator.compile(optimizer='adam', loss='binary_crossentropy')

内容的提问来源于stack exchange，提问作者LetHimCook