双标签CNN训练报InvalidArgumentError，调整input_shape无效求解决

这个错误和input_shape毫无关系，核心问题是模型输出层的类别数设置，与数据集实际的标签类别数量不匹配。错误信息里的[0, 2)说明模型最后一层设置的类别数为2，但你的数据中存在标签值2，实际类别数应为3（标签取值0、1、2）。

按以下步骤排查解决：

1. 确认数据集的标签分布 #

先明确训练集和验证集的标签实际类别数，运行以下代码统计：

import numpy as np
import tensorflow as tf

# 统计训练集标签
train_labels = np.concatenate([y for x, y in train_ds], axis=0)
print("训练集标签唯一值：", np.unique(train_labels))
print("训练集类别数：", len(np.unique(train_labels)))

# 统计验证集标签
val_labels = np.concatenate([y for x, y in val_ds], axis=0)
print("验证集标签唯一值：", np.unique(val_labels))
print("验证集类别数：", len(np.unique(val_labels)))

执行后会得到实际的标签取值和类别数量，比如输出[0 1 2]就说明类别数是3。

2. 调整模型输出层的类别数 #

• 如果是单分类任务：找到模型最后一层的Dense层，将units参数设置为实际类别数。比如原来的代码是Dense(2, activation='softmax')，需要改成Dense(3, activation='softmax')。
• 如果是你提到的双标签多任务模型（每个样本对应两个独立分类标签）：要分别检查两个任务的标签范围，对应调整每个输出分支的Dense层units值。例如：

input_layer = tf.keras.Input(shape=(224, 224, 3))
# 共享特征提取层
x = tf.keras.layers.Conv2D(32, (3,3), activation='relu')(input_layer)
x = tf.keras.layers.GlobalAveragePooling2D()(x)
# 任务1输出：假设类别数为2
output1 = tf.keras.layers.Dense(2, activation='softmax', name='task1')(x)
# 任务2输出：假设类别数为3（对应标签0、1、2）
output2 = tf.keras.layers.Dense(3, activation='softmax', name='task2')(x)

model = tf.keras.Model(inputs=input_layer, outputs=[output1, output2])

3. 检查数据加载的标签处理逻辑 #

如果是用tf.keras.utils.image_dataset_from_directory加载数据，需确认：

• 数据集的文件夹结构是否符合预期（每个类别对应一个子文件夹），是否存在多余的文件夹导致标签编号超出预期。
• 是否正确设置了class_names参数，确保标签编号和实际类别对应。示例：

train_ds = tf.keras.utils.image_dataset_from_directory(
    "train_data_dir",
    image_size=(224, 224),
    batch_size=128,
    class_names=["class0", "class1", "class2"]  # 与实际文件夹名称一一对应
)

内容的提问来源于stack exchange，提问作者SMS