TensorFlow双输入CNN模型fit训练时形状不兼容报错如何解决

报错本质是模型预测输出的张量形状和真实标签形状不匹配，核心问题出在4个地方：

• 网络结构完全不符合CNN图像分类的设计逻辑：你搭建的网络没有任何卷积层，且直接对三维形状(60,36,3)的图像输入堆叠全连接（Dense）层。Dense层默认仅作用于输入张量的最后一个维度，不会跨空间位置做特征融合，也不会压缩空间维度——比如输入形状为(batch,60,36,3)时，接Dense(8)输出形状为(batch,60,36,8)，本质是对每个像素位置的通道值单独做线性变换，完全没有提取全局图像特征。这就导致网络输出一直保留60、36两个空间维度，最终输出形状不是二分类需要的(batch, 1)，而是带空间维度的四维张量，和形状为(batch,)的0/1标量标签完全无法对齐，这是触发形状不兼容报错的核心原因。
• 损失函数选择错误：你做的是单输出二分类任务（标签为0/1标量），却使用了专用于多分类one-hot标签的categorical_crossentropy损失，该损失要求输出维度等于类别数、标签为one-hot编码，和你的任务设置完全不匹配。
• 网络层冗余：拼接特征后连续接两层输出维度为2的Dense层，其中第二层使用sigmoid激活无实际意义，反而会干扰最终分类输出的形状和数值。
• 双输入格式不匹配风险：你采用了双输入结构，必须保证train_generator和dev_generator返回格式为([inputA_batch, inputB_batch], label_batch)的元组，即第一个元素是两个输入批次组成的列表，第二个元素是对应标签批次，如果生成器仅返回单输入+标签也会触发输入相关的报错。

1. 补全CNN基础结构，在两个输入分支加入卷积层、池化层提取图像特征，在拼接特征前加入Flatten()或全局池化层把二维特征图压缩为一维特征向量，再拼接后接全连接层做分类。
2. 删除冗余的中间Dense层，简化分类头结构。
3. 把损失函数替换为二分类专用的binary_crossentropy。
4. 检查数据生成器的输出格式，匹配双输入要求。

修复后的参考代码如下：

# 提前导入需要的层：Conv2D、MaxPooling2D、Flatten、concatenate、Dense、Input
input_shape = (60, 36, 3)

# 双输入定义
inputA = Input(shape=input_shape)
inputB = Input(shape=input_shape)

# 分支A：CNN特征提取
x = Conv2D(8, (3,3), activation="relu", padding='same')(inputA)
x = MaxPooling2D((2,2))(x)
x = Conv2D(16, (3,3), activation="relu", padding='same')(x)
x = MaxPooling2D((2,2))(x)
x = Flatten()(x) # 把二维特征图展平为一维向量
x = Dense(4, activation="relu")(x)
x = keras.Model(inputs=inputA, outputs=x)

# 分支B：CNN特征提取
y = Conv2D(32, (3,3), activation="relu", padding='same')(inputB)
y = MaxPooling2D((2,2))(y)
y = Conv2D(64, (3,3), activation="relu", padding='same')(y)
y = MaxPooling2D((2,2))(y)
y = Flatten()(y) # 把二维特征图展平为一维向量
y = Dense(32, activation="relu")(y)
y = Dense(4, activation="relu")(y)
y = keras.Model(inputs=inputB, outputs=y)

# 特征拼接+分类头
combined = concatenate([x.output, y.output])
z = Dense(8, activation="relu")(combined)
# 二分类输出：1个神经元+sigmoid激活，输出形状为(batch_size, 1)
prediction = Dense(1, activation='sigmoid')(z)

model = keras.Model(inputs=[x.input, y.input], outputs=prediction)

# 二分类用binary_crossentropy损失
model.compile(loss='binary_crossentropy',
              optimizer=optimizers.Adam(learning_rate=1e-3),  
              metrics=['accuracy'])

# 确认生成器返回格式为([inputA批次, inputB批次], 标签批次)后再启动训练
model.fit(
  train_generator,
  steps_per_epoch=25,
  epochs=20,
  validation_data=dev_generator,
  validation_steps=5,
  verbose=2
)

如果不需要双分支对比输入的结构，仅做单图像二分类，可以直接删掉一个输入分支，逻辑更简洁。

内容的提问来源于stack exchange，提问作者cylon