Keras中model.fit报错：Shapes (None,18)与(None,17)不兼容

问题背景 #

基于Keras和TensorFlow，使用ImageNet预训练的EfficientNetB0进行17类图像分类任务，已划分训练/测试集并完成独热编码，模型编译正常，但执行训练代码时触发形状不兼容报错。

模型构建代码：

effnet = EfficientNetB0(weights='imagenet',include_top=False,input_shape=(image_size,image_size,3))

model = effnet.output
model = tf.keras.layers.GlobalAveragePooling2D()(model)
model = tf.keras.layers.Dropout(rate=0.5)(model)
model = tf.keras.layers.Dense(17,activation='softmax')(model)
model = tf.keras.models.Model(inputs=effnet.input, outputs = model)

model.compile(loss='categorical_crossentropy',optimizer = 'Adam', metrics= ['accuracy'])

训练代码及核心报错：

history = model.fit(X_train,y_train,validation_split=0.1, epochs =10, verbose=1,batch_size=32, callbacks=[tensorboard,checkpoint,reduce_lr])

ValueError: Shapes (None, 18) and (None, 17) are incompatible

报错核心原因 #

标签的独热编码维度为(None,18)，但模型最后一层输出维度是(None,17)，二者不匹配。大概率是以下两种情况：

• 实际数据集包含18类，而非你之前认定的17类
• 独热编码时未指定正确的类别数，导致自动生成了18维的标签向量

解决步骤 #

1. 确认真实类别数 #

先排查数据集的标签数量，验证真实类别数：

import numpy as np
print("训练集标签唯一类别数：", len(np.unique(y_train)))

若输出为18，说明之前的类别统计有误。

2. 修正模型输出维度 #

如果真实类别数是18，将模型最后一层Dense的单元数改为18：

# 替换原有的Dense层代码
model = tf.keras.layers.Dense(18,activation='softmax')(model)

3. 重新生成正确的独热编码 #

如果是独热编码参数错误（比如使用to_categorical时未指定num_classes），重新生成标签：

# 假设y_train是整数型标签，真实类别数为18
y_train = tf.keras.utils.to_categorical(y_train, num_classes=18)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=18)

4. 验证形状匹配 #

修改完成后，确认模型输出与标签形状一致：

print("模型输出形状：", model.output_shape)
print("训练集标签形状：", y_train.shape)

二者需保持一致（如均为(None,18)），之后重新编译并训练模型即可。

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