基于Keras的CIFAR10数据集网格搜索（调优卷积层数量与核数）报错求助

嘿，我一眼就看出问题出在哪了——你的卷积神经网络里漏掉了Flatten层！这直接导致卷积输出的3D特征图和全连接Dense层的2D输入要求不匹配，触发了形状广播错误。

问题根源 #

卷积层（Conv2D）的输出是(batch_size, height, width, channels)这样的3D张量，而全连接Dense层只能处理(batch_size, num_features)的2D张量。你原来的代码在卷积层循环结束后直接加Dense层，没有把3D特征展平成一维向量，模型训练时自然会报错。

修改后的完整代码 #

只需要在卷积层和隐藏层之间添加layers.Flatten()即可，修改后的build_model函数如下：

def build_model(n_conv=2, n_kernels=64, n_hidden=2, n_neurons=64):
    model = keras.models.Sequential()
    # Input layer
    model.add(layers.Conv2D(64, (3, 3), activation='relu', input_shape=(32, 32, 3)))
    model.add(layers.MaxPooling2D((2, 2)))
    # Conv layers
    for layer in range(n_conv-1):
        model.add(layers.Conv2D(n_kernels, (3, 3), activation='relu'))
        model.add(layers.MaxPooling2D((2, 2)))
    # 关键修复：添加Flatten层，将3D特征图转为2D特征向量
    model.add(layers.Flatten())
    # Hidden layers
    for layer in range(n_hidden):
        model.add(layers.Dense(n_neurons, activation="relu"))
    # Output Layer
    model.add(layers.Dense(10, activation ='softmax'))
    model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=['accuracy'])
    return model

keras_clf = keras.wrappers.scikit_learn.KerasClassifier(build_model)
from sklearn.model_selection import GridSearchCV

param_distribs = { "n_conv": [2, 3], "n_kernels": [64, 128] }
search_cv = GridSearchCV(keras_clf, param_distribs, cv=3, verbose=2)
search_cv.fit(train_images, train_labels)

额外优化建议 #

• 为了防止过拟合，可以在卷积层或Dense层后添加layers.Dropout(0.2)层
• 如果你的机器有多个CPU核心，可以给GridSearchCV加上n_jobs=-1参数，利用多核加速调参
• 检查n_conv=3时的特征图尺寸：CIFAR10是32x32输入，经过3次卷积+池化后会变成4x4的特征图，展平后维度足够，不会出现无效形状

修改后再运行代码，应该就能正常进行网格搜索训练了！

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