TensorFlow CNN中tf.nn.conv2d报错：输出深度与组数不匹配

从你给出的报错信息和维度打印结果来看，问题出在卷积核（filter）的通道维度不匹配上，这是tf.nn.conv2d()操作里最常见的错误类型之一。

错误原因详解 #

TensorFlow的tf.nn.conv2d()有一个硬性要求：卷积核的第三个维度（对应输入特征图的通道数）必须和当前输入特征图的通道数完全一致：

• 你的POOL1输出特征图维度是(1000, 12, 12, 6)，最后一位的6就是当前输入的通道数
• 但你定义的卷积核维度是(5, 5, 1, 16)，第三位的1是你设置的原始MNIST图像通道数（单通道），这和当前输入的6通道完全不匹配，所以触发了Depth of output (16) is not a multiple of the number of groups (6)的错误（这里的groups实际是指输入通道数，TensorFlow在通道不匹配时会用分组卷积的逻辑做校验，所以报错信息里提到了groups）

至于猫图像分类时能正常运行，大概率是巧合：猫图像是3通道，而你的CONV1输出通道数刚好也是3，导致卷积核的通道数（你用了原始图像的3通道）和上一层输出通道数匹配，蒙混过关，但这本质是不规范的写法。

修复方案 #

把卷积核的第三个维度从image_channels改成上一层的输出通道数（也就是CONV1的输出通道数6）：

# 将第三个参数改为上一层的输出通道数6，而非原始输入的image_channels
self.filter_convolutional_layer_2 = tf.Variable(tf.random.normal([CONV2_f,CONV2_f, 6, CONV2_n]))

更规范的写法是避免硬编码数字，直接从上层特征图的shape中获取通道数：

# 从POOL1的shape中动态获取输入通道数，适配性更强
input_channels = self.max_pool_layer_1.shape[-1]
self.filter_convolutional_layer_2 = tf.Variable(tf.random.normal([CONV2_f,CONV2_f, input_channels, CONV2_n]))

修改后，卷积核的shape会变成(5,5,6,16)，和输入特征图的6通道完全匹配，tf.nn.conv2d()就能正常执行了。

内容的提问来源于stack exchange，提问作者Phipsll