深度学习入门求助：Logits与Labels不可广播错误排查

Hey there! Let's break down what's going wrong here and fix your training issues step by step.

1. 核心错误：输出层与类别数量不匹配 #

你遇到的 logits and labels must be broadcastable 报错，根源是模型输出层的神经元数量和你的数据集类别数完全不匹配。从错误信息 labels_size=[214,173] 能看出，你的动漫插画数据集有173个类别，但你的模型最后一层只定义了2个神经元：

x = Dense(2, activation='softmax')(x)

这就导致模型输出的预测结果（logits）维度是 [batch_size, 2]，而真实标签的维度是 [batch_size, 173]，二者无法对应计算损失函数，直接触发了广播不兼容的错误。

修复方法：把输出层的神经元数量改成和你数据集类别数一致的173：

x = Dense(173, activation='softmax')(x)

2. 预训练模型的冗余参数优化 #

你初始化InceptionV3时加了 classes=173 参数，但因为设置了 include_top=False，这个参数其实是无效的——include_top=False 会直接去掉预训练模型的顶层分类层，所以 classes 在这里不会起任何作用。可以删掉这个参数，让代码更简洁：

pre_trained_model = InceptionV3(input_shape=(75, 75, 3), include_top=False, weights='imagenet')

3. 恢复验证集的监控作用 #

你注释掉了 validation_generator 的代码，建议把它恢复并在训练时加入验证数据——这能帮你实时监控模型的泛化能力，避免过拟合：

validation_generator = train_datagen.flow_from_directory(
    train_dir,  # 用训练目录配合subset='validation'即可，无需单独的验证目录
    target_size=(75,75),
    batch_size=37,
    class_mode='categorical',
    subset='validation')

然后在 fit 函数中恢复验证数据的传入：

history_TL = model_TL.fit(
    train_generator,
    steps_per_epoch=10,
    epochs=60,
    verbose=2,
    validation_data=validation_generator)

4. 输入尺寸的小建议 #

InceptionV3的默认输入尺寸是299x299，你现在用的是75x75。虽然TensorFlow支持自定义输入尺寸，但过小的尺寸可能会削弱预训练模型的特征提取能力——毕竟模型的卷积核是针对更大尺寸的图像设计的。如果你的硬件性能允许，建议把 target_size 改成 (299,299)，可能会明显提升模型的训练效果。

5. 训练参数的合理性检查 #

steps_per_epoch=10 这个数值需要确保等于训练样本总数 // batch_size。比如如果你的训练集有2140个样本，batch_size是214，那10是合理的；如果样本数不是这个比例，建议计算准确的 steps_per_epoch，否则训练时可能会提前结束或者重复训练部分数据。

最后验证 #

修改完输出层后，再运行 model.summary()，确认最后一层的输出维度是 (None, 173)，这样就能和你的标签维度完美匹配了。

内容的提问来源于stack exchange，提问作者NSaibot