fit_generator中class_weight数组可用字典报错？UNet二值图像训练疑问

首先得明确报错的核心原因：class_weight这个参数是为图像分类任务设计的——这类任务的目标是1D数组，每个元素对应单张图片的类别标签（比如[0,1,1,0]）。但你用UNet做的是语义分割任务，目标是和输入图像同尺寸的2D/3D掩码（形状为(batch_size, height, width, 1)），每个像素都对应一个类别，属于逐像素的分类场景。Keras检测到你的目标是3+维度的张量时，无法理解如何将类别权重应用到每个像素上，因此抛出了ValueError。

两种格式的差异 #

你提到用numpy数组形式时代码能正常运行，大概率是这两种场景的目标形态或参数使用逻辑不同：

• 用生成器时，输出的目标是完整的分割掩码（多维度张量），同时你传入了class_weight参数，触发了Keras对目标维度的检查，直接触发报错。
• 用numpy数组直接训练时，要么你没传入class_weight参数，要么你可能误将目标处理成了1D类别索引（这其实不符合分割任务的需求），或者你手动实现了加权损失逻辑，绕过了class_weight的限制。

正确处理分割任务类别不平衡的方法 #

既然class_weight不适合分割场景，咱们可以把类别权重融入到损失函数中，自定义一个加权损失。比如针对二值分割的加权交叉熵：

import tensorflow.keras.backend as K

def weighted_binary_crossentropy(y_true, y_pred):
    # 你的类别权重
    weight_0 = 5.76901408
    weight_1 = 0.54744721
    
    # 加入epsilon避免log(0)的计算错误
    bce_loss = (weight_0 * y_true * K.log(y_pred + K.epsilon()) + 
                weight_1 * (1 - y_true) * K.log(1 - y_pred + K.epsilon()))
    return -K.mean(bce_loss)

之后在编译模型时使用这个自定义损失：

model.compile(optimizer='sgd', loss=weighted_binary_crossentropy, metrics=['accuracy'])

这样就能让模型在训练时自动给少数类（类别0）的像素损失赋予更高权重，解决类别不平衡问题，同时不会触发维度相关的报错。

内容的提问来源于stack exchange，提问作者Sarvagya Gupta