Keras卷积神经网络拟合数据时报ValueError无法适配输入问题求助

以下是你代码中的错误点及对应修复方法：

• 标签数据格式不匹配
  报错明确说明输入的标签y是存储int类型的Python列表，Kerasmodel.fit()要求特征、标签输入均为numpy数组格式，你需要先将y转换为numpy数组。
• 重复实例化Sequential模型
  你在添加第一层卷积、池化层后，再次执行了model = Sequential()，会直接清空已构建的上层网络结构，同时导致第二层卷积层缺少输入维度定义，属于严重的逻辑错误。
• 损失函数与输出层配置不匹配
  你当前输出层为Dense(1)+sigmoid，属于二分类任务配置，但搭配的损失函数categorical_crossentropy要求标签为独热编码格式，且输出层维度等于分类类别数。如果你做的是多分类种族识别：
  • 若标签为整数编码，输出层改为Dense(类别数, activation='softmax')，损失函数替换为sparse_categorical_crossentropy
  • 若为二分类任务，损失函数直接替换为binary_crossentropy即可

修复后参考代码 #

import numpy as np
from keras.models import Sequential
from keras.layers import Conv2D, Activation, MaxPooling2D, Flatten, Dense

# 原有数据加载逻辑
pickle_in = open("X.pickle", "rb") 
X = pickle.load(pickle_in)
pickle_in.close()

pickle_in = open("y.pickle", "rb")
y = pickle.load(pickle_in)
pickle_in.close()

X = X/255.0
# 将y转为numpy数组
y = np.array(y)
# 此处替换为你的实际种族分类数量
CLASS_NUM = 5

# 模型构建 仅实例化一次Sequential
model = Sequential()
model.add(Conv2D(64, (3, 3), input_shape = X.shape[1:]))    
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))    
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64, activation='relu'))

# 多分类输出层配置
model.add(Dense(CLASS_NUM, activation='softmax'))
# 若为二分类任务，替换为下方输出层配置
# model.add(Dense(1, activation='sigmoid'))

model.compile(
    # 多分类整数标签用该损失函数
    loss='sparse_categorical_crossentropy',
    # 二分类任务替换为下方损失函数
    # loss='binary_crossentropy',
    optimizer='adam',
    metrics=['accuracy']
)

model.fit(X, y, batch_size=32, epochs=10)

内容的提问来源于stack exchange，提问作者Scott