CNN训练触发ValueError：解包值不足（预期2个，实际1个）

咱们先拆解下这个报错的核心原因：你的cnn_data函数里，x, y = data.shape[1:]这句默认输入的data是至少3维的数组（比如形状为(样本数量, 图像宽度, 图像高度)），这样data.shape[1:]会返回两个数值，刚好能拆给x和y。但实际传入的self.train_X或self.val_X是2维数组（比如形状为(样本数量, 单样本特征总数)），所以data.shape[1:]只返回了1个数值，自然没法拆成两个变量，触发了这个错误。

下面给你两种针对性的解决思路：

思路1：如果数据是扁平化的图像数据 #

如果你的train_X和val_X本来是单通道图像（比如MNIST手写数字，原本是28×28的单通道图），只是被扁平化成长度为784的一维向量了，那你需要明确原始图像的宽高尺寸，修改cnn_data函数：

def cnn_data(data, img_width=28, img_height=28):
    # 把扁平化的数据还原成CNN需要的(样本数, 宽, 高, 通道数)格式
    return data.reshape((-1, img_width, img_height, 1))

调用时替换成你实际的图像宽高数值即可。

思路2：如果数据是一维特征（非图像） #

如果你的数据本来就是一维特征序列，不是图像数据，那用2D卷积就不合适了，应该改用Conv1D层。这时候只需要把数据reshape成适配一维卷积的结构：

def cnn_data(data):
    # 转换成(样本数, 特征长度, 通道数)格式，适配Conv1D
    return data.reshape((-1, data.shape[1], 1))

同时记得把模型里的Conv2D层替换成Conv1D层，匹配这个输入形状。

先验证数据形状再修改 #

在动手修改前，建议先打印数据形状确认类型：

print("训练集数据形状:", self.train_X.shape)
print("验证集数据形状:", self.val_X.shape)

比如输出是(1000, 784)就是扁平化图像，输出是(1000, 128)就是一维特征序列。

内容的提问来源于stack exchange，提问作者vanni