使用ResNet50结合StratifiedKFold分类时遇形状不兼容错误求助

这个ValueError: Shapes (None, 1) and (None, 4) are incompatible错误很常见，核心原因是你的标签格式和模型输出不匹配：

• 你的ResNet最后用softmax输出4个类别的概率（形状是(None,4)）
• 但你的标签y_train_fold是一维整数数组（形状(492,)，比如值是0、1、2、3这类类别索引），传入模型后会被自动扩展成(None,1)，和输出的4维形状对不上

下面给你两种简单的解决方法：

方法1：将标签转换为One-Hot编码 #

如果你的模型编译时用的是categorical_crossentropy损失函数（这是多分类任务的常见选择），需要把一维整数标签转换成4维的one-hot编码：

首先导入工具函数：

from tensorflow.keras.utils import to_categorical

然后修改你的循环代码：

from sklearn.model_selection import StratifiedKFold
from tensorflow.keras.utils import to_categorical

# 创建分层K折验证器
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

for train_index, val_index in skf.split(X_train, y_train):
    X_train_fold, X_val_fold = X_train[train_index], X_train[val_index]
    y_train_fold, y_val_fold = y_train[train_index], y_train[val_index]
    
    # 将标签转换为one-hot编码，num_classes设为你的类别数4
    y_train_fold_onehot = to_categorical(y_train_fold, num_classes=4)
    y_val_fold_onehot = to_categorical(y_val_fold, num_classes=4)
    
    # 训练时传入one-hot编码后的标签
    resnet152v2 = model.fit(X_train_fold, y_train_fold_onehot, batch_size=16, epochs=10, verbose=1)
    
    # 验证时也用one-hot标签
    val_loss, val_acc = model.evaluate(X_val_fold, y_val_fold_onehot, verbose=0)
    print("Validation Loss: ", val_loss, "Validation Accuracy: ", val_acc)

方法2：改用Sparse Categorical交叉熵损失 #

如果你不想修改标签格式，可以直接把模型的损失函数换成sparse_categorical_crossentropy，它专门支持一维整数标签和softmax输出的匹配：

在你编译模型的代码里（你当前的代码片段没显示这部分，一定要补上）修改损失函数：

# 假设你的模型定义最后一层是Dense(4, activation='softmax')
model.compile(
    optimizer='adam',  # 或者你用的其他优化器
    loss='sparse_categorical_crossentropy',  # 替换原来的categorical_crossentropy
    metrics=['accuracy']
)

然后你的原有循环代码不需要修改标签，直接运行即可：

from sklearn.model_selection import StratifiedKFold

skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

for train_index, val_index in skf.split(X_train, y_train):
    X_train_fold, X_val_fold = X_train[train_index], X_train[val_index]
    y_train_fold, y_val_fold = y_train[train_index], y_train[val_index]
    
    resnet152v2 = model.fit(X_train_fold, y_train_fold, batch_size=16, epochs=10, verbose=1)
    val_loss, val_acc = model.evaluate(X_val_fold, y_val_fold, verbose=0)
    print("Validation Loss: ", val_loss, "Validation Accuracy: ", val_acc)

额外检查点 #

别忘了确认你的模型最后一层确实是：

model.add(Dense(4, activation='softmax'))

这部分你已经提到了，没问题，确保类别数和你的任务一致就行。

内容的提问来源于stack exchange，提问作者Rezuana Haque