Keras Tuner贝叶斯优化CNN时出现Graph execution error报错

AI 小北

2026-8-29

错误核心原因

你遇到的InvalidArgumentError: Graph execution error是多段代码逻辑冲突、维度不匹配共同导致的，具体问题点如下：

分类配置完全不匹配：你的标签是num_classes=2的二分类独热编码（形状为(样本数, 2)），但模型最后一层写的是Dense(10, activation="softmax")输出10分类结果，同时损失函数用了二分类交叉熵binary_crossentropy，三者维度、任务逻辑完全冲突，是报错的核心诱因。
模型构建结构逻辑错误：你把Flatten()、全连接层定义、model.compile()、return model全写在了卷积块的for循环内部。第一次循环执行完第一个卷积块后就会直接编译返回模型，num_blocks参数选2时根本不会构建第二层卷积；且如果循环执行第二次，第一次循环已经把特征图拉平为一维向量，无法输入到要求4维张量的Conv2D层，直接触发维度不匹配错误。
优化器分支逻辑无效：你定义了hp_optimizer选择Adam/SGD的逻辑，但SGD分支下仅声明了momentum、nesterov参数，没有实际实例化SGD优化器，无论超参选什么，编译时永远固定用Adam优化器，SGD相关超参完全不生效。
数据生成器使用错误：你启用了featurewise_center、featurewise_std_normalization按全局统计量归一化，但没有提前调用datagen.fit(X_trainRusReshaped)计算训练集的均值、标准差，归一化逻辑无法正常执行；同时用生成器训练时没有传入验证集，但调参目标设为了val_loss，框架找不到验证数据计算目标指标。
参数传递错误：用datagen.flow()生成批次数据时，batch_size需要在flow()方法内指定，写在tuner.search()的参数里不会生效。

修复方案

按照以下步骤调整代码即可解决问题：

统一二分类配置：匹配现有2类独热标签，将输出层改为2单元+softmax激活，损失函数换成categorical_crossentropy。
调整模型构建结构：把Flatten、全连接层、优化器选择、模型编译、返回逻辑全部移到卷积块for循环外部，保证所有卷积块构建完成后再接分类头。
修正优化器逻辑：根据超参选择实际实例化对应优化器对象，SGD要传入提前定义的动量、Nesterov参数。
修正数据生成器逻辑：调用flow前先在训练集上fit计算归一化统计量，分别构造训练、验证生成器并指定batch_size。
调参器初始化时加上overwrite=True，清除之前错误运行产生的模型缓存，避免旧缓存干扰。

修正后的核心代码如下：

# 修正模型构建函数
def model_builder(hp):
  model = Sequential()
  model.add(Input(shape=(50,50,3)))
  # 循环内仅构建卷积块，不接分类头
  for i in range(hp.Int('num_blocks', 1, 2)):
    hp_padding=hp.Choice(f'padding_{i}', values=['valid', 'same'])
    hp_filters=hp.Choice(f'filters_{i}', values=[32, 64])
    model.add(Conv2D(hp_filters, (3, 3), padding=hp_padding, activation='relu', kernel_initializer='he_uniform'))
    model.add(MaxPooling2D((2, 2)))
    model.add(Dropout(hp.Choice(f'dropout_{i}', values=[0.0, 0.1, 0.2])))
  
  # 卷积块构建完成后再接分类头
  model.add(Flatten())
  hp_units = hp.Int('units', min_value=25, max_value=150, step=25)
  model.add(Dense(hp_units, activation='relu', kernel_initializer='he_uniform'))
  model.add(Dense(2, activation="softmax")) # 匹配2分类输出

  hp_learning_rate = hp.Choice('learning_rate', values=[1e-2, 1e-3])
  hp_optimizer=hp.Choice('Optimizer', values=['Adam', 'SGD'])

  # 实际实例化选中的优化器
  if hp_optimizer == 'Adam':
    optimizer = tf.keras.optimizers.Adam(learning_rate=hp_learning_rate)
  elif hp_optimizer == 'SGD':
    optimizer = tf.keras.optimizers.SGD(learning_rate=hp_learning_rate, momentum=0.9, nesterov=True)

  # 用匹配独热标签的多分类交叉熵损失
  model.compile(loss=keras.losses.categorical_crossentropy, optimizer=optimizer, metrics=['accuracy'])
  return model

# 修正数据生成器逻辑
datagen = ImageDataGenerator(
    featurewise_center=True,
    featurewise_std_normalization=True,
    rotation_range=180,
    horizontal_flip=True,
    vertical_flip = True
)
# 先在训练集上计算归一化统计量
datagen.fit(X_trainRusReshaped)

batch_size = 256
# 分别构造训练、验证生成器
train_gen = datagen.flow(X_trainRusReshaped, Y_trainRusHot, batch_size=batch_size)
val_gen = datagen.flow(X_testRusReshaped, Y_testRusHot, batch_size=batch_size, shuffle=False)

# 修正调参器初始化，加上overwrite清除旧缓存
tuner_cnn = kt.tuners.BayesianOptimization(
    model_builder,
    objective='val_loss',
    max_trials=100,
    directory='.',
    project_name='tuning-cnn',
    overwrite=True
)

# 传入训练、验证生成器执行搜索
tuner_cnn.search(train_gen, epochs=50, validation_data=val_gen, callbacks=[stop_early])

如果要直接传入数组格式数据运行，把datagen的featurewise_center、featurewise_std_normalization参数关掉，手动将像素值除以255归一化到0-1区间，再传入训练、验证数组即可，不需要构造生成器。

内容的提问来源于stack exchange，提问作者user979974