TensorFlow训练CNN调用Conv2D层报负维度错误如何解决

报错由两处核心代码错误导致，CNN的整体搭建逻辑没有本质问题，按以下步骤修改即可解决：

1. 删除错误的维度扩展代码 #

你解码得到的PNG是RGBA四通道格式，单张张量形状为(128, 128, 4)，批量存储后的数组形状为(样本总数, 128, 128, 4)，完全满足Conv2D层要求的4维输入规范（按顺序为批量维度、高度、宽度、通道维度）。
你在组装数据集时额外执行了一次5维reshape，把原本长度为4的通道维度拆成了(4, 1)，凭空给输入增加了一个维度，导致Conv2D误将最后一个长度为1的维度识别为通道维度。卷积计算时特征图尺寸快速收缩，到第二层卷积时已经出现长度为1的边，再用3*3卷积核执行默认的VALID无补全卷积，就会触发负维度报错。
直接删除这段多余的reshape代码即可：

# 完全删除以下5行错误的维度调整逻辑
# fetched_image_list = fetched_image_list.reshape(fetched_image_list.shape[0],
#                                                 fetched_image_list.shape[1],
#                                                 fetched_image_list.shape[2],
#                                                 fetched_image_list.shape[3],
#                                                 1)

同步修改模型第一层的输入形状参数，匹配4通道的输入格式：

# 将原input_shape=(128,128,4,1)替换为正确配置
tf.keras.layers.Conv2D(32, (3, 3), strides=(2,2), dilation_rate=(1,1), input_shape=(128,128,4), activation='relu'),

2. 优化卷积层下采样逻辑（建议修改） #

修复维度问题后，你当前的卷积参数依然存在特征图收缩过快的隐患：默认使用padding='VALID'无补全，搭配较大的步长，很容易在网络深层再次出现维度不足的问题。可按需选择以下调整方案：

• 给所有卷积层添加padding='same'参数，让卷积操作自动补全边缘，保证卷积计算不改变特征图宽高，仅靠步长完成下采样
• 适当调小网络后半段的卷积步长，控制特征图尺寸的收缩速度

修改完成后可先执行model.summary()打印模型结构，逐层核对输出特征图的尺寸，确认没有维度小于对应卷积核尺寸的情况，再启动训练。

补充提示：如果你的识别任务不需要用到PNG的Alpha透明通道，可以在图像解码后添加image = image[:,:,:3]，将图像转换为3通道RGB格式，同步把input_shape改为(128,128,3)即可，能在不影响识别精度的前提下减少计算量。

内容的提问来源于stack exchange，提问作者TerrySoki