TensorFlow表情识别CNN模型训练报错排查与解决请求

核心错误：logits与labels维度不匹配 #

报错logits and labels must be broadcastable: logits_size=[64,7] labels_size=[64,5]的本质是模型输出类别数与训练集标签类别数不一致：

• 你的模型最后一层输出是7个类别（对应测试集的7类），但训练集只有5个类别，导致训练时标签和模型输出无法匹配。
• 解决步骤：
  1. 统一训练集与测试集的类别数量：要么补充训练集的样本至7个类别，要么筛选测试集样本只保留训练集存在的5个类别，确保两者类别完全一致。
  2. 修正模型最后一层的输出单元数：如果统一为5类，将模型最后一层Dense的units参数设为5；如果统一为7类，则设为7，同时确保激活函数用softmax（多分类场景）。

弃用警告：Model.fit_generator #

TensorFlow 2.1及之后版本已弃用fit_generator，直接使用Model.fit()即可，它已原生支持生成器输入。只需将原传给fit_generator的参数（如generator、steps_per_epoch、validation_data等）直接传给fit()：

# 替换前
model.fit_generator(train_generator, steps_per_epoch=steps, validation_data=val_generator, epochs=epochs)
# 替换后
model.fit(train_generator, steps_per_epoch=steps, validation_data=val_generator, epochs=epochs)

内存分配警告 #

内存警告通常由GPU/CPU内存不足导致，可通过以下方式缓解：

• 调小batch_size：将当前的64改为32或更小，减少单次训练加载的样本数量。
• 启用GPU动态内存分配：在代码开头添加以下配置，让TensorFlow根据需求动态分配GPU内存，避免一次性占满：

import tensorflow as tf
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    try:
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
    except RuntimeError as e:
        print(e)

• 确保数据生成器是分批加载数据：避免一次性将所有图片加载到内存，保持生成器的流式加载逻辑。

模型保存 #

当模型训练完成后，可按以下代码分别保存模型结构与权重：

# 保存模型结构为JSON文件
model_json = model.to_json()
with open('emotion_model.json', 'w') as json_file:
    json_file.write(model_json)

# 保存模型权重为H5文件
model.save_weights('emotion_model.h5')

如果需要保存整个模型（结构+权重），也可以直接使用：

model.save('emotion_model.h5')

内容的提问来源于stack exchange，提问作者isme_