基于深度学习的图像分类代码报错排查：Colab与Kaggle适配问题

问题原因 #

1. 标签形状不匹配：代码中cnn.evaluate(X_test, y_test)执行时，y_test仍是CIFAR10数据集默认的2D数组(10000, 1)。虽然sparse_categorical_crossentropy理论支持2D标签，但在部分TensorFlow版本中，模型评估流程会触发内部类型判断错误，出现NoneType与int的比较异常。
2. 缺失依赖库导入：代码末尾使用np.argmax但未导入numpy库，虽不是当前报错的直接原因，但会导致后续预测代码执行失败。
3. 版本兼容性问题：Colab和Kaggle的TensorFlow环境近期可能更新，旧代码中EarlyStopping的自动模式判断逻辑或标签处理逻辑出现兼容性问题。

解决方法 #

步骤1：提前处理标签形状 #

将y_test的reshape操作移至evaluate之前，确保传入评估方法的标签为1D数组：

# 提前重塑y_test为1D数组
y_test = y_test.reshape(-1, )
cnn.evaluate(X_test, y_test)

步骤2：补充numpy导入 #

在代码开头添加numpy导入语句：

import numpy as np

步骤3：优化EarlyStopping参数（可选） #

明确指定mode='min'（因为监控的val_loss需要最小化），避免自动模式下的判断异常：

earlystopping_callback = EarlyStopping(
    monitor='val_loss', min_delta=0, patience=3, verbose=1, mode='min',
    baseline=None, restore_best_weights=True
)

完整修正代码 #

import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

# 加载CIFAR10数据集
(X_train, y_train), (X_test, y_test)= datasets.cifar10.load_data()

# 重塑标签为1D数组
y_train= y_train.reshape(-1, )
y_test= y_test.reshape(-1, )

classes= ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']

# 归一化图像
X_train= X_train / 255
X_test= X_test / 255

from tensorflow.keras.callbacks import EarlyStopping
from tensorflow.keras import regularizers

# 创建CNN模型
cnn= models.Sequential([
    layers.Conv2D(filters=32, kernel_size=(3,3), activation='relu', input_shape=(32, 32, 3)),
    layers.MaxPool2D((2,2)),

    layers.Conv2D(filters=64, kernel_size=(3,3), activation='relu'),
    layers.MaxPool2D((2,2)),

    layers.Flatten(),
    layers.Dense(512, activation='relu'),
    layers.Dropout(0.3),
    layers.Dense(512, activation='relu'),
    layers.Dropout(0.3),
    layers.Dense(512, activation='relu'),
    layers.Dense(10, activation='softmax')
])

earlystopping_callback = EarlyStopping(
    monitor='val_loss', min_delta=0, patience=3, verbose=1, mode='min',
    baseline=None, restore_best_weights=True
)

from tensorflow.keras.optimizers import Adam

cnn.compile(
    optimizer= 'adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 训练模型
cnn.fit(X_train, y_train, epochs=25, validation_split=0.2, callbacks= earlystopping_callback)

# 评估模型
cnn.evaluate(X_test, y_test)

# 预测与结果处理
y_pred= cnn.predict(X_test)
y_classes= [np.argmax(element) for element in y_pred]
print(y_classes[:5])

环境适配说明 #

• Google Colab/Kaggle：上述代码在当前默认TensorFlow 2.x环境中可正常运行。若仍存在版本问题，可手动指定稳定版本：

!pip install tensorflow==2.15.0

内容的提问来源于stack exchange，提问作者Madea