CNN训练报InvalidArgumentError: Graph execution error排查

该报错和Colab环境依赖、数据集本身无关，是三处代码配置不匹配直接导致的：

• 输入维度配置冲突：ImageDataGenerator加载数据集时设置target_size=(256,256)，即输入模型的实际张量尺寸为2562563，但模型第一层Conv2D错误配置input_shape=(128,1288,3)——这里1288属于明显笔误（多输入1个8），且和数据加载尺寸完全不一致，模型入口的张量预期和实际输入从训练一开始就错配。
• 标签格式与损失函数不匹配：设置class_mode='categorical'时，数据生成器输出的是one-hot编码标签（6分类场景下标签形状为(batch_size, 6)），但编译时选用的sparse_categorical_crossentropy损失仅接收整数型类别索引标签（形状为(batch_size,)），二者混用会打乱张量维度计算逻辑。
• Flatten层报错为上述问题的直接表现：错误的输入尺寸经过多层Conv2D、MaxPooling2D、BatchNormalization传导后，输出到Flatten层的特征图元素总数，和层逻辑推导的预期形状倍数完全不匹配，最终触发InvalidArgumentError: Graph execution error。

按顺序调整以下配置即可解决问题：

1. 统一全链路输入尺寸
   二选一保持尺寸一致即可，同时修正笔误：
   • 若使用256*256分辨率训练：将第一层Conv2D的input_shape参数改为(256,256,3)
   • 若使用128*128分辨率降低训练开销：将ImageDataGenerator的target_size参数改为(128,128)，删除input_shape中多打的数字8，不要保留1288这类无效尺寸值
2. 统一标签格式与损失函数
   二选一即可，不要混用：
   • 保留class_mode='categorical'配置：将模型编译阶段的损失函数替换为categorical_crossentropy
   • 保留sparse_categorical_crossentropy损失：将数据生成器的class_mode参数改为sparse
3. 前置校验避免维度错误
   在调用fit()启动训练前，添加一行model.summary()打印模型各层输出维度，确认最后一层池化输出的特征图经过Flatten展平后的维度，和后续第一个Dense层的输入维度匹配，即可提前规避Reshape类报错。

类VGG结构堆叠注意：默认参数下MaxPooling2D步长为2，每经过一次池化特征图宽高减半，调整输入尺寸时要确认经过所有池化层后特征图宽高不会小于等于0，否则会触发额外的维度错误。

内容的提问来源于stack exchange，提问作者Dharmesh D