深度学习新手用深度可分离卷积遇形状不匹配错误求助

核心问题 #

你遇到的错误源于模型输出形状与标签形状不匹配：

• 模型通过GlobalAveragePooling2D和Dense(1)输出单值二分类结果，形状为(None, 1)
• 传入的标签y_train/y_test是与输入图像同形状的掩码，形状为(160, 299, 299, 3)
• binary_crossentropy要求目标标签的形状必须与模型输出完全一致，因此触发了该错误。

根据实际任务类型，提供两种针对性解决方案：

方案1：图像级二分类（判断整张图是否为皮肤癌） #

若你的任务是判断整张图像是否包含皮肤癌病变，而非逐像素分割，需将标签转换为单值格式：

1. 转换标签形状 #

将掩码图像转为单标签（0代表无病变，1代表有病变），示例代码：

# 对每个样本的掩码求和，存在非0像素则标记为1，否则为0
y_train = (y_train.sum(axis=(1,2,3)) > 0).astype(int).reshape(-1, 1)
y_test = (y_test.sum(axis=(1,2,3)) > 0).astype(int).reshape(-1, 1)

2. 保持模型不变 #

当前模型结构完全适配图像级二分类，无需修改，直接运行训练代码即可。

方案2：像素级二分类（语义分割，逐像素标记病变） #

若你的任务是逐像素区分病变与正常区域（语义分割），需修改模型输出层，使其与输入图像形状匹配：

1. 修改模型结构 #

移除全局平均池化和全连接层，替换为上采样+卷积层，恢复输出尺寸至(299,299)：

input = Input(shape=(299, 299, 3))

my_model = first(input, 16, 3, strides=2)
my_model = block(my_model,16)

my_model = first(my_model, 32, 3, strides=2)
my_model = block(my_model,32)

my_model = first(my_model, 48, 3, strides=2)
my_model = block(my_model,48)

my_model = first(my_model, 64, 3, strides=2)
my_model = block(my_model,64)

my_model = first(my_model, 96, 3, strides=2)
# 用转置卷积精准恢复特征图尺寸，也可替换为UpSampling2D
my_model = Conv2DTranspose(filters=32, kernel_size=4, strides=32, padding='same')(my_model)
# 输出单通道二值掩码（每个像素对应0/1）
output = Conv2D(filters=1, kernel_size=1, activation='sigmoid')(my_model)

Xception_model = Model(inputs=input, outputs=output)
print(Xception_model.summary())

2. 调整标签格式（可选） #

若模型输出为单通道，建议将掩码同步转换为单通道：

# 将3通道掩码转为单通道二值掩码
y_train = (y_train.mean(axis=-1, keepdims=True) > 0).astype(int)
y_test = (y_test.mean(axis=-1, keepdims=True) > 0).astype(int)

3. 保持训练代码不变 #

损失函数仍使用binary_crossentropy，因每个像素都是独立的二分类任务。

内容的提问来源于stack exchange，提问作者Haitham.Q