Keras模型报错：Shapes (None, 2)与(None, 10)不兼容求助

错误核心原因 #

输出层输出维度为(None,10)，但训练标签Y_train、验证标签Y_valid的维度是(None,2)，两者维度不匹配，导致损失函数计算时出现形状冲突。

代码问题及修正方案 #

1. Dropout层未正确加入模型 #

代码中仅实例化了Dropout对象，但未通过model.add()将其添加到模型序列中，导致Dropout正则化完全不起作用。修正方式为给每个Dropout层添加model.add()调用。

2. 输出层与任务类型不匹配 #

根据标签维度判断，你的任务应为2分类，但当前输出层设置为10个神经元（对应10分类），这是核心冲突点，需二选一调整：

• 若实际是10分类任务：将标签转换为10类的one-hot编码，使用keras.utils.to_categorical(Y_train, num_classes=10)处理Y_train和Y_valid，确保标签形状为(样本数,10)。
• 若实际是2分类任务：修改输出层为2个神经元+softmax激活，同时确保标签是2类的one-hot编码（若原标签为整数，同样用to_categorical转换）。

另外，Sequential模型中无需手动指定后续层的input_dim，模型会自动继承上一层的输出维度，可删除冗余的input_dim参数。

修正后的完整代码示例（2分类场景） #

from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout
from keras.utils import to_categorical

# 转换标签为one-hot编码（若原标签是整数类型）
Y_train = to_categorical(Y_train, num_classes=2)
Y_valid = to_categorical(Y_valid, num_classes=2)

model = Sequential()
model.add(Dense(1000, input_dim=25088, activation='relu', kernel_initializer='uniform'))
model.add(Dropout(0.3, noise_shape=None, seed=None))
model.add(Dense(500, activation='sigmoid'))
model.add(Dropout(0.4, noise_shape=None, seed=None))
model.add(Dense(150, activation='sigmoid'))
model.add(Dropout(0.2, noise_shape=None, seed=None))
model.add(Dense(units=2))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy', optimizer="adam", metrics=['accuracy'])
model.fit(X_train, Y_train, epochs=20, batch_size=128, validation_data=(X_valid,Y_valid))

内容的提问来源于stack exchange，提问作者coder