使用MNIST模型训练报错：形状(200,10,2)与(200,10)不兼容

问题场景 #

在MNIST数字图像分类任务中，将图像调整为(pic_num, size, size, ?)格式（不清楚最后一维含义），为使用categorical_crossentropy损失函数，将一维标签转换为独热编码。

模型与编译代码 #

model=Sequential()
model.add(Conv2D(32,kernel_size=(3,3),input_shape=(28,28,1),activation='relu'))
model.add(Conv2D(64,(3,3),activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10,activation='softmax'))

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

训练代码 #

history=model.fit(x_train,y_train,validation_split=0.25,epochs=30,
batch_size=200,verbose=0,callbacks=[early_stopping_callback,checkpointer])

报错信息 #

~ in categorical_crossentropy
        target.shape.assert_is_compatible_with(output.shape)
 Shapes (200, 10, 2) and (200, 10) are incompatible

尝试过调整Flatten层位置、修改训练数据和标签形状，但问题未解决。

问题分析与解决步骤 #

• 明确图像最后一维含义：
  图像形状的最后一维是通道数，MNIST是灰度图像，通道数为1，所以x_train的正确形状应为(样本总数, 28, 28, 1)。你的模型input_shape已经设置为(28,28,1)，只需确保x_train预处理后符合该格式即可。

• 核心问题：标签形状不匹配
  报错显示标签y_train的形状是(200,10,2)，但模型输出是(200,10)，说明独热编码过程中出现错误。正常MNIST独热编码标签应为(样本总数, 10)（对应10个数字类别）。

  • 检查独热编码代码，正确的处理方式应为：

    y_train = keras.utils.to_categorical(y_train, num_classes=10)
    

  • 避免重复编码或错误添加额外维度，比如不要将标签转成(样本数,1,10)后再错误扩展维度。

• 验证数据形状
  训练前打印数据形状确认：

  print(x_train.shape)  # 预期输出：(N, 28, 28, 1)，N为样本数
  print(y_train.shape)  # 预期输出：(N, 10)
  

  确保两者样本数一致，且y_train无多余维度。

• 模型结构无需调整
  你的模型是标准的MNIST卷积分类结构，Flatten层位置正确，无需修改。问题根源在数据预处理，而非模型本身。

内容的提问来源于stack exchange，提问作者user22213244