CNN训练遇Data cardinality ambiguous错误的解决方法咨询

问题核心原因 #

你遇到的错误由三个关键问题导致：

• model.fit()的参数传递完全错误，混淆了训练数据、标签和验证集的位置
• 输入的NII图像尺寸各异，不符合CNN对固定输入尺寸的要求
• 损失函数与标签格式不匹配

具体修复步骤 #

1. 修正model.fit()的参数顺序 #

你错误地将验证集图像当作训练标签传入，正确的参数逻辑是：

• 前两个参数依次为训练集图像和训练集标签
• validation_data传入验证集图像与标签的元组

修正后的代码：

model_cnn.fit(train_files, train_label, epochs=5, validation_data=(val_files, val_label))

2. 统一输入图像尺寸 #

CNN要求所有输入图像的维度必须一致，你需要在读取图像时加入resize步骤，匹配模型指定的(32,32,3)输入尺寸。这里以3D NII图像转2D 3通道为例：

import numpy as np
from skimage.transform import resize

files = []
for item in images:
    img_org = nii_reader(item)
    img = sitk.GetArrayFromImage(img_org)
    # 处理3D图像：取中间切片转为2D
    middle_slice = img[img.shape[0]//2, :, :]
    # resize到32x32
    resized_img = resize(middle_slice, (32, 32), preserve_range=True)
    # 复制为3通道以匹配模型input_shape
    resized_img = np.stack([resized_img]*3, axis=-1)
    files.append(resized_img)

# 转为numpy数组，避免列表格式导致的维度问题
files = np.array(files)

如果需要保留3D结构，可改用Conv3D层，同时统一3D尺寸（比如(16,32,32)），并修改模型的input_shape为(16,32,32,1)。

3. 匹配损失函数与标签格式 #

你已经将标签转为one-hot编码的categorical格式，但误用了针对整数标签的SparseCategoricalCrossentropy，应替换为CategoricalCrossentropy，且因最后一层是softmax，无需设置from_logits=True：

model_cnn.compile(
    loss=tf.keras.losses.CategoricalCrossentropy(),
    optimizer="adam",
    metrics=["accuracy"]
)

4. 规范数据集格式 #

划分数据集后，将训练集和验证集转为numpy数组，避免列表格式引发的样本数识别错误：

train_files = np.array(train_files)
val_files = np.array(val_files)
Label = np.array(Label)  # 确保原始标签也是数组格式

完整修正后的代码示例 #

# 1. 读取并统一图像尺寸
files = []
for item in images:
    img_org = nii_reader(item)
    img = sitk.GetArrayFromImage(img_org)
    middle_slice = img[img.shape[0]//2, :, :]
    resized_img = resize(middle_slice, (32, 32), preserve_range=True)
    resized_img = np.stack([resized_img]*3, axis=-1)
    files.append(resized_img)
files = np.array(files)
Label = np.array(Label)

# 2. 划分数据集
train_files, val_files, train_labels, val_labels = train_test_split(files, Label, test_size=0.33, random_state=42)

# 3. 标签转categorical格式
n_classes = 2
train_label = np_utils.to_categorical(train_labels, n_classes)
val_label = np_utils.to_categorical(val_labels, n_classes)

# 4. 构建CNN模型
model_cnn = keras.Sequential(
    [
        layers.Conv2D(32, (3, 3), activation="relu", input_shape=(32, 32, 3)),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Conv2D(64, (3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Conv2D(128, (3, 3), activation="relu"),
        layers.Flatten(),
        layers.Dense(64, activation="relu"),
        layers.Dense(n_classes, activation="softmax"),
    ]
)

# 5. 编译模型
model_cnn.compile(
    loss=tf.keras.losses.CategoricalCrossentropy(),
    optimizer="adam",
    metrics=["accuracy"]
)

# 6. 启动训练
model_cnn.fit(train_files, train_label, epochs=5, validation_data=(val_files, val_label))

内容的提问来源于stack exchange，提问作者Andi Muh. Syahrul Ulum