如何修复Logits and Labels must have the same shape报错

报错根本原因 #

你当前的模型架构和数据处理存在两个核心不匹配的问题：

• 输入的单张图像是560*560的二维矩阵，你直接堆叠全连接(Dense)层时，全连接层默认仅对最后一个维度做计算，输出会保留560这个维度，最终输出形状为(样本数, 560, 2)，和标签的(样本数, 1, 1)形状完全不符
• 你需要的是整图二分类，而当前模型输出的是像素级的二分类结果，和任务目标不匹配

修复步骤 #

步骤1：调整模型架构 #

如果你坚持用全连接层做分类，需要先把单张图像的二维矩阵展平为一维向量，同时调整输出层适配二分类任务：

from tensorflow.keras.layers import Flatten # 没有导入Flatten的话先加这行

model = Sequential(
[
    # 新增展平层，把每张图的(560,560)矩阵转为一维向量
    Flatten(input_shape=(560,560)),
    Dense(750, activation='relu'),
    Dropout(0.2),
    Dense(750, activation='relu'),
    Dropout(0.2),
    # 二分类任务输出1个神经元即可，用sigmoid激活
    Dense(1, activation='sigmoid')
]
)

如果要提升图像分类效果，更推荐把前两层全连接替换为卷积+池化的组合，避免全连接层参数过多导致严重过拟合。

步骤2：调整标签形状 #

把标签多余的维度压缩，适配输出层形状：

# 去掉最后两个长度为1的维度，处理后datay形状为(样本数,)
datay = np.squeeze(datay)

步骤3：优化训练参数 #

你当前的损失函数binary_crossentropy和二分类+sigmoid的配置是匹配的，不用修改，建议把初始学习率0.1调小到1e-4~1e-3区间，避免模型不收敛。

内容的提问来源于stack exchange，提问作者Kookies