Keras输入矩阵适配问题：MNIST手写数字识别模型报错排查

你的代码存在三个核心问题，导致输入28×28矩阵时模型报错：

1. 全连接层输入形状不匹配 #

Dense层默认对输入的最后一维进行全连接运算。你错误地在input_shape中包含了batch维度（None代表batch），且没有先将28×28的矩阵扁平化，导致全连接层无法正确处理二维特征矩阵。

正确处理方式：

• 输入形状只保留单样本维度，设为(28, 28)
• 在第一个Dense层前添加Flatten层，将28×28矩阵转为784维向量，适配全连接层的输入要求

2. 分类任务损失函数错误 #

手写数字识别是多分类任务，你使用了回归任务的mae（平均绝对误差）损失函数，这会导致模型训练逻辑完全偏离目标。应根据标签类型选择：

• 若标签是整数（如你的代码中train_labels是0-9的整数），用sparse_categorical_crossentropy
• 若标签是one-hot编码，用categorical_crossentropy

3. 数据标准化逻辑错误 #

你分别计算训练集、验证集、测试集的均值和标准差进行标准化，这会引入数据泄露（验证集和测试集的统计信息不应参与训练过程）。正确做法是仅用训练集的均值和标准差标准化所有数据集。

import pickle
import gzip
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers
import tensorflow as tf

def load_data():
    f = gzip.open("./data/mnist.pkl.gz")
    training_data, validation_data, test_data = pickle.load(f, encoding="latin1")
    return training_data, validation_data, test_data

training_data, validation_data, test_data = load_data()    

# 转换为28×28矩阵
train_images = training_data[0].reshape(len(training_data[0]), 28, 28)
# 仅用训练集计算标准化统计量
train_mean = train_images.mean()
train_std = train_images.std()
# 标准化所有数据集
train_images = (train_images - train_mean) / train_std
train_labels = training_data[1]

validation_images = validation_data[0].reshape(len(validation_data[0]), 28, 28)
validation_images = (validation_images - train_mean) / train_std
validation_labels = validation_data[1]

test_images = test_data[0].reshape(len(test_data[0]), 28, 28)
test_images = (test_images - train_mean) / train_std
test_labels = test_data[1]

# 修正模型结构
model = keras.Sequential([
    layers.Input(shape=(28, 28)),  # 输入形状为单样本的维度：28×28
    layers.Flatten(),  # 将二维矩阵扁平为784维向量
    layers.Dense(512, activation='relu'),
    layers.Dropout(rate=0.01),
    layers.Dense(512, activation='relu'),
    layers.Dense(512, activation='relu'),
    layers.Dense(512, activation='relu'),
    layers.Dense(10, activation='softmax'),
])

# 修正损失函数并添加准确率指标
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

history = model.fit(
    train_images, train_labels,
    validation_data=(validation_images, validation_labels),
    batch_size=256,
    epochs=20,
)

内容的提问来源于stack exchange，提问作者magnolia93