CNN图像识别训练输入形状不匹配问题求助

核心原因 #

报错显示输入形状为(None, 65536)，而模型期望(None, 256, 256, 1)。65536=256×256，说明你传入模型的验证集数据X_test被错误展平成了一维向量，而非保持四维的图像格式。你仅检查了X_train的形状，却忽略了X_test的形状验证。

解决步骤 #

1. 检查并修正X_test的形状
   先打印X_test的形状确认问题：

   print(X_test.shape)
   

   如果输出为(样本数, 65536)，将其reshape回四维格式：

   X_test = X_test.reshape(-1, 256, 256, 1)
   

   确保修正后X_test的形状为(样本数, 256, 256, 1)，与X_train保持一致。

2. 模型冗余层优化
   你的模型中GlobalAveragePooling2D()之后的Flatten()属于冗余操作——GlobalAveragePooling2D已经将特征图压缩为一维向量（形状为(None, 32)），Flatten对其无任何作用，可删除该层减少不必要计算：

   # 优化后的代码片段
   model.add(GlobalAveragePooling2D())
   # 删除多余的Flatten()层
   model.add(Dense(128,activation='relu'))
   

验证 #

完成上述修正后重新运行模型拟合代码，即可解决形状不匹配的问题。

内容的提问来源于stack exchange，提问作者Yihang