Keras训练CNN时logits与labels形状不匹配报错求解

报错根因 #

错误核心是模型输出的预测结果（logits）形状和训练标签（labels）形状不匹配：你当前搭建的是10分类单标签分类模型，输出维度为(None, 10)，但传入的标签维度为(None, 11, 2, 2)，二者完全不兼容。

排查步骤 #

• 首先核对标签数据的正确维度
  你给出的测试集标签存在明显冲突，同时标注了两个不同的y_test shape：(5000, 11, 2)和(5000, 16, 16, 1)，首先需要确认y_train、y_test的实际正确维度，同时明确任务类型：
  • 若为单标签图像分类：标签维度应为(样本数, 分类数)的one-hot编码，或(样本数,)的整数标签
  • 若为关键点检测：标签维度应为(样本数, 关键点数量, 坐标数)
  • 若为图像分割：标签维度应为(样本数, 图像高度, 图像宽度, 类别数)
• 核对模型结构与任务的匹配度
  你当前代码设置num_classes = 10，最终输出层为Dense(10, activation='softmax')，仅适配10分类的单标签图像分类任务，若为其他任务需调整网络结构。

不同场景解决方案 #

场景1：需完成10分类单标签图像分类 #

1. 修正标签数据：将标签处理为维度(样本数, 10)的one-hot编码，若使用整数标签则维度为(样本数,)，同步将损失函数替换为sparse_categorical_crossentropy
2. 排查标签加载逻辑，确认没有读取错误的标签文件

场景2：需完成关键点检测（11个关键点，每个点2个坐标） #

1. 修改输出层：将最后一层替换为Dense(11 * 2, activation='linear')，若需保持空间维度输出可去掉Flatten层和后续全连接层，改用卷积层输出
2. 将损失函数调整为mse或其他适配关键点检测的损失函数

场景3：需完成图像分割 #

1. 移除Flatten层和后续的全连接层，改用全卷积网络结构，最终输出尺寸与输入图像尺寸一致，通道数对应分割类别数
2. 损失函数调整为适配分割任务的类型，二分类分割用binary_crossentropy，多分类分割用categorical_crossentropy

内容的提问来源于stack exchange，提问作者Mohsin Mehmood