ResNet人脸识别模型两类形状不兼容报错排查求助

一、残差块Add层输入形状不匹配问题 #

报错根源 #

代码存在两个核心问题：

1. 通道维度参数错误：输入张量形状为(224,224,3)（通道在后的channels_last格式），但chanDim设为1，导致BatchNormalization层的维度计算混乱，间接影响形状匹配。
2. 主路径与shortcut路径下采样倍数不一致：残差块的主路径连续两次应用了步长为s的下采样（第一层Conv2D(1,1)和第二层Conv2D(3,3)都用了strides=(s,s)），而shortcut路径仅做了一次步长为s的下采样，导致两者输出形状的宽高维度相差s倍（比如第一次调用s=3时，主路径输出25x25，shortcut输出75x75）。

修复步骤 #

1. 修正通道维度：将chanDim改为-1（适配channels_last格式，自动识别最后一维为通道）：

chanDim = -1

同时确保所有BatchNormalization层的axis参数统一使用chanDim：

bn2 = BatchNormalization(axis=chanDim, epsilon=bnEps, momentum=bnMom)(merge_input)
# ... 其他BatchNormalization层同理
data = BatchNormalization(axis=chanDim)(data)

2. 统一主路径与shortcut的下采样倍数：主路径仅在第一个卷积层应用步长s，后续卷积层步长设为(1,1)，确保主路径的下采样倍数与shortcut一致：

def resnet(layer_in, n_filters, s):
    data = layer_in
    # 主路径：仅第一层用步长s下采样
    merge_input = Conv2D(n_filters, (1,1), strides=(s,s))(layer_in)        
    bn2 = BatchNormalization(axis=chanDim, epsilon=bnEps, momentum=bnMom)(merge_input)
    act2 = Activation('relu')(bn2)
    
    # 第二层卷积步长改为(1,1)，不再额外下采样
    conv2 = Conv2D(n_filters, (3,3), strides=(1,1), use_bias=False, padding='same', kernel_initializer='he_normal')(act2)  
    bn3 = BatchNormalization(axis=chanDim, epsilon=bnEps, momentum=bnMom)(conv2)
    act3 = Activation('relu')(bn3)
    
    conv3 = Conv2D(n_filters, (1,1), use_bias=False, kernel_initializer='he_normal')(act3)  
    
    # shortcut路径保持原步长s，匹配主路径的下采样倍数
    data = Conv2D(n_filters, (1,1), padding='valid', strides=(s,s))(data)
    data = BatchNormalization(axis=chanDim)(data)  
    
    layer_out = Add()([conv3, data])
    layer_out = Activation('relu')(layer_out)
    return layer_out

二、训练阶段损失函数形状不兼容问题 #

报错根源 #

使用categorical_crossentropy损失函数时，要求标签为one-hot编码格式（形状为(batch_size, num_classes)，此处应为(batch_size,5)），但你的y_train是整数标签（形状为(batch_size,1)），导致模型输出（(1,5)）与标签（(1,1)）形状不匹配。

修复步骤 #

两种方案二选一：

1. 将标签转为one-hot编码：

import tensorflow as tf
y_train = tf.keras.utils.to_categorical(y_train, num_classes=5)
# 若有验证集，y_val也需做同样转换

2. 改用稀疏分类交叉熵损失：直接适配整数标签，无需one-hot编码，修改模型编译代码：

model.compile(
    loss='sparse_categorical_crossentropy',  # 替换原损失函数
    optimizer=optimizer,
    metrics=['accuracy'],
    run_eagerly=True
)

内容的提问来源于stack exchange，提问作者nariaa 99