Keras搭建猫狗分类CNN时报Incompatible shapes形状不兼容错误如何解决

错误原因 #

你遇到的形状不匹配报错核心来自两个问题：

1. 卷积、池化层输出的是(批次大小, 高度, 宽度, 通道数)的四维张量，你没有对空间维度做压缩就直接接入全连接层，导致最终模型输出形状为(29,7,7,2)，和数据集返回的(29,)一维标签形状完全不匹配。
2. 损失函数、输出层配置和数据集标签格式三者不匹配：image_dataset_from_directory默认返回的是0/1格式的整数标签，你当前用2个输出神经元配二分类交叉熵的逻辑本身也不对应。

修复方案 #

1. 调整模型结构，增加空间维度压缩层 #

你已经导入了GlobalMaxPooling2D，在接入全连接层前调用该层，将四维张量压缩为(批次大小, 特征数)的二维张量：

model = Sequential()
model.add(keras.Input(shape=(150, 150, 3)))
model.add(Conv2D(32, 5, strides=2, activation="relu"))
model.add(Conv2D(32, 3, activation="relu"))
model.add(MaxPooling2D(3))
# 新增全局池化层，压缩高、宽维度
model.add(GlobalMaxPooling2D())
model.add(Dense(250, activation='relu'))
model.add(Dense(100, activation='relu'))
# 二分类任务用1个输出神经元+sigmoid激活更适配
model.add(Dense(1, activation='sigmoid'))
model.summary()

额外说明：如果你的实际数据集确实是15×15尺寸，需要把image_dataset_from_directory里的image_size参数改成(15,15)，否则代码会把图片强行拉伸到150×150，影响训练效果

2. 调整损失函数配置 #

和1个输出+sigmoid的结构对应，编译时损失函数按如下配置即可：

model.compile(loss=tf.keras.losses.BinaryCrossentropy(), 
          optimizer='adam',
          metrics=['accuracy'])

内容的提问来源于stack exchange，提问作者Daniil G