使用Keras预训练VGG16模型时出现形状不兼容错误

问题场景 #

在自定义三分类图像任务中使用Keras的VGG16模型，基于《Python深度学习》第8章示例代码开发，数据目录结构如下：

data/
  training/
    class_1
    class_2
    class_3

调用model.fit()时触发报错：

ValueError: Shapes (32, 1) and (32, 3) are incompatible

报错原因 #

模型输出层为layers.Dense(3, activation="softmax")，输出形状为(batch_size, 3)（对应3类的概率分布）；但你的标签数据train_labels和val_labels是整数形式的稀疏标签（形状为(样本数,)），而当前使用的损失函数categorical_crossentropy要求标签是one-hot编码格式（形状为(样本数, 类别数)），两者形状不匹配导致报错。

解决方案 #

提供两种可行方案，任选其一即可：

方案一：修改损失函数（推荐） #

将损失函数改为sparse_categorical_crossentropy，该损失专门适配整数形式的稀疏标签，无需修改现有标签数据：

model.compile(loss="sparse_categorical_crossentropy",
              optimizer="rmsprop",
              metrics=["accuracy"])

方案二：将标签转换为one-hot编码 #

保持categorical_crossentropy损失，将整数标签转换为one-hot编码格式：

import numpy as np

# 对训练和验证标签进行one-hot编码
train_labels = tf.keras.utils.to_categorical(train_labels, num_classes=3)
val_labels = tf.keras.utils.to_categorical(val_labels, num_classes=3)

转换后标签形状变为(128400, 3)和(15600, 3)，与模型输出形状匹配。

补充说明 #

image_dataset_from_directory默认返回整数形式的标签（参数sparse=True为默认值），因此方案一更为简便，无需额外数据处理步骤。

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