如何修复TensorFlow的fit与evaluate函数无法正确读取NumPy数组的问题？

问题根源 #

SVHN裁剪版的.mat文件中，图像数据X的维度结构是(32, 32, 3, 样本数)，而TensorFlow/Keras要求的输入格式是(样本数, 32, 32, 通道数)，维度顺序完全颠倒，导致模型误将第一个维度的32当成样本数量，与真实样本数73257不匹配，触发数据基数错误。此外，SVHN的标签y取值为1-10（对应数字0-9），需要转换为0-9的索引才能适配sparse_categorical_crossentropy损失函数。

修正后的代码 #

import tensorflow as tf
from tensorflow import keras
from scipy.io import loadmat
import numpy as np

# 加载数据集
trainingData = loadmat("C:\Users\alexb\vs code python\train_32x32.mat")
testData = loadmat("C:\Users\alexb\vs code python\test_32x32.mat")

# 1. 调整图像维度顺序：(32,32,3,样本数) → (样本数,32,32,3)
train_X = np.transpose(trainingData['X'], (3, 0, 1, 2))
test_X = np.transpose(testData['X'], (3, 0, 1, 2))

# 2. 处理标签：将1-10转换为0-9的索引
train_y = trainingData['y'].flatten() - 1
test_y = testData['y'].flatten() - 1

# 归一化输入
train_X = train_X / 255.0
test_X = test_X / 255.0

# 构建模型：适配3通道彩色图像输入
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(32, 32, 3)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(train_X, train_y, epochs=5)

# 评估模型
test_loss, test_acc = model.evaluate(test_X, test_y, verbose=2)
print('\nTest accuracy:', test_acc)

关键调整说明 #

• 维度转置：使用np.transpose(..., (3,0,1,2))直接将样本维度移到首位，同时保留图像的高、宽、通道顺序，一步解决维度不匹配问题。
• 标签修正：通过-1将标签从1-10转为0-9，避免损失函数因标签超出0-9范围报错。
• 输入形状适配：模型输入层改为(32,32,3)，匹配3通道彩色图像结构；若需用灰度图，可添加tf.image.rgb_to_grayscale()转换后再调整维度。

内容的提问来源于stack exchange，提问作者Alexis Balestra