TensorFlow灰度图像训练时遇融合卷积不支持分组卷积错误求解决

错误根源 #

你仅给验证数据生成器设置了color_mode='grayscale'，但训练数据生成器train_generator仍默认输出3通道彩色图像，而模型输入定义为单通道(img_width, img_height, 1)，通道维度不匹配导致TensorFlow的卷积模块触发了不支持的分组卷积逻辑，从而抛出该错误。

修复步骤 #

1. 统一训练/验证数据的通道格式：给train_generator添加color_mode='grayscale'参数，确保训练数据也是单通道灰度图。
2. 优化损失函数匹配（可选）：你的class_mode='binary'属于二分类场景，但当前使用的SparseCategoricalCrossentropy更适合多分类任务，建议替换为BinaryCrossentropy(from_logits=True)，同时将最后一层输出维度改为1（二分类仅需一个输出节点）。

修改后的完整代码 #

train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)
 
test_datagen = ImageDataGenerator(rescale=1. / 255)
 
train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary',
    color_mode='grayscale',  # 新增：训练数据转为单通道
    shuffle=True)
 
validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    color_mode='grayscale',
    class_mode='binary',
    shuffle=True)

model = tf.keras.Sequential()
input_shape = (img_width, img_height, 1)
model.add(tf.keras.layers.Conv2D(32, 2, input_shape=input_shape, activation='relu'))
model.add(tf.keras.layers.MaxPooling2D(pool_size=2))
 
model.add(tf.keras.layers.Conv2D(32, 2, activation='relu'))
model.add(tf.keras.layers.MaxPooling2D(pool_size=2))
 
model.add(tf.keras.layers.Conv2D(64, 2, activation='relu'))
model.add(tf.keras.layers.MaxPooling2D(pool_size=2))
 
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(128, activation='relu'))  # 新增激活函数，避免无激活的隐藏层
model.add(tf.keras.layers.Dense(1))  # 二分类改为1个输出节点

model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),  # 替换为二分类损失函数
              metrics=['accuracy'])

history = model.fit(train_generator,
         validation_data=validation_generator,
         epochs=EPOCHS)

额外说明 #

• 隐藏层Dense(128)建议添加activation='relu'，否则该层为线性变换，无法学习非线性特征，会影响模型精度。
• 如果你的任务是多分类（len(classes)>2），则保持SparseCategoricalCrossentropy，但需将class_mode改为'sparse'，同时确保训练/验证生成器的color_mode均为grayscale。

内容的提问来源于stack exchange，提问作者max