ResNet50训练Indian Pines数据集出现张量形状不兼容报错

报错本质是分类任务的样本粒度不对齐，属于数据预处理阶段的维度处理错误：

• 自定义ResNet50最终输出为单样本17类分类概率，形状为(None, 17)，对应单个训练样本输出17维softmax概率的预期逻辑
• 传入的训练标签保留了长度为14065的多余序列/空间维度，形状为(None, 14065, 17)，和模型输出的单样本粒度完全不匹配，导致categorical_crossentropy损失计算时无法做逐样本的概率对齐
• 该多余维度的典型来源：
  • 高光谱数据展平时未筛选有效标注像素，直接对整幅Indian Pines图像做了one-hot编码，后续划分数据集时错误保留了整图的像素展平维度
  • 维度调整环节未将邻域块/单像素拆分为独立训练样本，标签和输入的样本粒度没有和模型分类头的输出逻辑对齐
  • ResNet50结构问题已排除（已确认模型最终输出形状为(None,17)，问题100%出在标签预处理逻辑）

1. 全流程张量形状校验
   在数据加载、训练测试集划分、one-hot编码、维度调整每个环节打印张量形状，重点确认：
   • 输入样本X_train的第一维长度（样本数）必须和标签y_train第一维长度完全相等
   • 标签y_train不能存在长度为14065的中间维度，最终形状必须为(训练样本数, 17)
2. 修正标签预处理逻辑
   Indian Pines数据集中标签0为未标注区域，不能纳入训练集，参考以下修正逻辑处理标签：

   import numpy as np
   from tensorflow.keras.utils import to_categorical
   
   # 假设原始数据X_raw形状为(145,145,200)，原始标签y_raw形状为(145,145)
   # 第一步：筛选所有带标注的像素位置
   labeled_mask = y_raw != 0
   labeled_indices = np.where(labeled_mask)
   
   # 第二步：提取对应样本和标签，标签映射到0-16共17个类别
   X = X_raw[labeled_indices]
   y = y_raw[labeled_indices] - 1
   
   # 第三步：one-hot编码，此时标签形状为(有效标注样本数, 17)，无多余维度
   y = to_categorical(y, num_classes=17)
   
   # 第四步：按比例划分训练测试集，划分后标签形状保持(子集样本数,17)
   

   如果采用邻域块输入训练ResNet50（2D卷积模式），需要确保每个邻域块对应一个中心像素的标签，标签列表按块顺序展平后再做one-hot编码，禁止保留整图的空间维度。
3. 拟合前强制校验
   调用model.fit()前执行断言，提前拦截维度错误：

   assert len(model.output_shape) == 2 and model.output_shape[-1] == 17, "模型输出维度不符合17类分类要求"
   assert len(y_train.shape) == 2 and y_train.shape[-1] ==17, "标签存在多余维度，形状不符合要求"
   assert X_train.shape[0] == y_train.shape[0], "输入样本数和标签样本数不匹配"
   

• 取小批量样本（如8个）做前向传播，确认model.predict(X_train[:8]).shape == (8,17)，且对应批次标签y_train[:8].shape == (8,17)，两者形状完全一致
• 启动训练后损失函数可以正常计算，不再触发形状不兼容报错，正常打印epoch迭代日志

内容的提问来源于stack exchange，提问作者Eduard