编写CNN代码遇MaxPooling2D报错：Negative dimension size caused by subtracting 2 from 1

错误原因 #

报错的核心问题是：第二个MaxPooling2D层接收的特征图空间维度已经是1x1，而你使用的是2x2的池化尺寸和默认的valid填充方式。这种情况下，计算输出维度时会出现(1-2)/2 +1的负数结果，直接触发维度无效的错误。

可行的修复方案 #

1. 修正输入形状的顺序

TensorFlow/Keras默认使用NHWC格式（通道在后），即输入形状应为(height, width, depth)，而不是你代码中的(depth, height, width)。当前的写法会把通道维度和空间维度搞混，导致空间尺寸意外变小。修改输入层代码：

inp = Input(shape=(height, width, depth))

如果坚持使用通道在前的格式（NCHW），需要在所有卷积和池化层中显式指定data_format='channels_first'，例如：

conv_1 = Convolution2D(conv_depth_1, kernel_size, kernel_size, padding='same', activation='relu', data_format='channels_first')(inp)
pool_1 = MaxPooling2D(pool_size=(pool_size, pool_size), data_format='channels_first')(conv_2)

2. 增大输入的空间维度

如果你的输入图像本身尺寸过小（比如2x2），经过两次池化（每次尺寸减半）后会直接变成1x1，无法再进行第二次池化。确保初始输入的height和width至少是池化尺寸的2^N倍（N是池化层的数量）。例如，池化尺寸为2时，初始尺寸至少为4x4：

• 4x4 → 第一次池化后2x2 → 第二次池化后1x1（有效）

3. 给池化层添加填充

将MaxPooling2D层的填充方式改为same，这样即使输入尺寸小于池化尺寸，也会通过填充维持有效输出维度。修改池化层代码：

pool_1 = MaxPooling2D(pool_size=(pool_size, pool_size), padding='same')(conv_2)
pool_2 = MaxPooling2D(pool_size=(pool_size, pool_size), padding='same')(conv_4)

4. 移除一个池化层

如果输入尺寸本身很小，两次池化属于过度压缩。删除其中一个MaxPooling2D层，保留空间维度的有效性：

# 移除pool_2层，直接将conv_4传入Dropout
drop_2 = Dropout(drop_prob_1)(conv_4)

内容的提问来源于stack exchange，提问作者AKINNIRANYE AANUOLUWAPO