CNN图像分类模型输入维度不兼容问题求助

核心错误原因 #

报错提示输入形状不匹配，模型期望(None, 28, 28, 1)，但实际传入(None, 3, 28, 28, 1)，问题出在图像预处理阶段：

• cv2.imread默认读取彩色图像，返回形状为(28,28,3)的3通道数组
• 你用img.reshape(-1,28,28,1)时，会把3通道图像拆成3个单通道样本，导致每个数据样本多了一个维度，最终整个数据集形状变成(样本数, 3, 28, 28, 1)

同时存在一个隐藏问题：你的标签Y是one-hot编码格式，但损失函数用了sparse_categorical_crossentropy，该函数要求标签是整数索引格式，两者不匹配。

代码修正步骤 #

1. 修正图像预处理逻辑 #

将彩色图像转为单通道灰度图，同时调整维度处理方式：

image_w = 28
image_h = 28
  
X = []
Y = []
  
for idex, categorie in enumerate(categories):
    label = idex  # 直接存整数标签，适配sparse损失函数
    image_dir = img_path + categorie + '/'
  
    for top, dir, f in os.walk(image_dir):
        for filename in f:
            img = cv2.imread(image_dir+filename)
            # 转灰度图，变成单通道
            img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            # 直接指定目标尺寸调整图像大小
            img = cv2.resize(img, (image_w, image_h))
            # 归一化到0-1区间
            img = img / 255.0
            # 增加通道维度，形状变为(28,28,1)
            X.append(img.reshape(image_w, image_h, 1))
            Y.append(label)
 
X = np.array(X)
Y = np.array(Y)
 
train_input, test_input, train_target, test_target = train_test_split(X,Y)

2. （可选）调整损失函数（若坚持用one-hot标签） #

如果不想修改标签格式，保持Y为one-hot编码，需要把损失函数改为categorical_crossentropy：

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

3. 验证输入形状 #

运行以下代码确认输入形状符合模型要求：

print(X.shape)  # 正确输出应为 (样本数, 28, 28, 1)

这样修改后，模型输入形状就能和定义的input_shape=(28,28,1)匹配，同时标签与损失函数也能对应，训练即可正常运行。

内容的提问来源于stack exchange，提问作者k1mgh