如何为Keras神经网络的NumPy维度分配单个标签

数据老陈

2026-9-24

问题根源分析

首先是输入数据维度顺序错误：Keras/TensorFlow默认所有输入数组的第0维是样本数，你当前datax形状为(560, 560, 32086)，系统会误以为你只有560个样本，每个样本形状为(560, 32086)；而你的标签datay形状是(1,1,32086)，系统识别到的样本数是1，两者样本数不匹配才会报错。
其次是网络结构和任务不匹配：你做的是单图像级二分类，当前用Conv1D、输出层神经元数和损失函数的搭配也存在不合理的地方。

解决步骤

1. 调整输入和标签的维度顺序

把样本数调整到第0维，和Keras的默认要求对齐：

import numpy as np
# 调整输入数据维度：从(高,宽,样本数) 转成 (样本数,高,宽)
datax = datax.transpose(2,0,1)
# 调整标签维度：从(1,1,样本数) 转成 (样本数,)
datay = datay.reshape(-1)

调整后datax的形状为(32086, 560, 560)，datay的形状为(32086,)，两者样本数完全匹配，不会再出现基数不匹配的报错。

2. 修正网络结构

你处理的是2维图像，建议用Conv2D而非Conv1D，同时输出层适配二分类任务：

# 给单通道图像增加通道维度，适配卷积层输入要求
datax = datax[..., np.newaxis]

model = Sequential(
    [
        Rescaling(1.0 / 255, input_shape=(560,560,1)),
        Conv2D(32, (3,3), activation="relu"),
        GlobalAveragePooling2D(), # 把二维特征压缩为一维特征，避免后续参数量过大
        Dense(750, activation='relu'),
        Dense(1, activation='sigmoid') # 二分类用1个sigmoid输出即可
    ]
)
model.compile(optimizer=SGD(learning_rate=0.1), loss="binary_crossentropy", metrics=['accuracy'])
model1 = model.fit(x=datax, y=datay, batch_size=8, epochs=15, shuffle=True, verbose=2)

如果确实要保留2个输出神经元的设置，请把输出层激活改为softmax，损失函数改为sparse_categorical_crossentropy即可。