Keras构建CNN调用Conv2D层报负维度错误如何解决

核心是Conv2D层参数传参顺序错误，误将步长设置为了3，导致特征图尺寸快速缩小到1x1后，再做3x3卷积时出现负维度。

• Keras中Conv2D的前三个位置参数顺序为Conv2D(filters, kernel_size, strides=(1,1), padding='valid', ...)
• 你代码里写的Conv2D(32, 3, 3)、Conv2D(64, 3, 3)，第三个位置传的3会被识别为步长参数，等价于步长设为(3,3)，而非你预期的3x3卷积核、步长1。
• 按错误参数推导尺寸变化：
  1. 输入100x100x3 → 第一层3x3卷积步长3 → 输出33x33x32
  2. 第二层3x3卷积步长3 → 输出11x11x32
  3. 2x2池化 → 输出5x5x32
  4. 第三层3x3卷积步长3 → 输出1x1x64
  5. 第四层3x3卷积步长3作用在1x1特征图上，计算输出尺寸时1-3得到负数，直接触发你看到的报错，和报错日志里的输入形状(None,1,1,64)、步长[1,3,3,1]完全吻合。

所有卷积层的卷积核参数显式传为元组，不要占用步长的参数位置，保持默认步长(1,1)即可。
修正后的模型定义代码：

def create_model():
    model = Sequential()

    model.add(Conv2D(32, kernel_size=(3, 3),
                            padding='valid', 
                            input_shape=(100, 100, 3)))  
    model.add(Activation('relu'))  
    model.add(Conv2D(32, kernel_size=(3, 3)))  
    model.add(Activation('relu'))  
    model.add(MaxPooling2D(pool_size=(2, 2)))  
    model.add(Dropout(0.25))  
      
    model.add(Conv2D(64, kernel_size=(3, 3), 
                            padding='valid'))  
    model.add(Activation('relu'))  
    model.add(Conv2D(64, kernel_size=(3, 3)))  
    model.add(Activation('relu'))  
    model.add(MaxPooling2D(pool_size=(2, 2)))  
    model.add(Dropout(0.25))  
      
    model.add(Flatten())  
    model.add(Dense(256))  
    model.add(Activation('relu'))  
    model.add(Dropout(0.5))

    model.add(Dense(2))  
    model.add(Activation('softmax'))  

    return model

写Keras层时，除了第一个必填的filters（卷积核数量）参数外，其余参数尽量显式指定参数名（比如写kernel_size=(3,3)而不是只传位置参数），避免记错参数顺序触发这类维度错误。

内容的提问来源于stack exchange，提问作者jeffrey widjaya