Python训练CNN模型如何正确拟合图像数据及输入形状报错求解

错误根因 #

• 数据加载逻辑顺序颠倒：load_data()返回顺序是(标签, 图像数据)，但split_data()里用x, y = self.load_data()接收，导致x实际存储一维标签数据，y存储图像数据。后续调用model.fit(self.x_train, self.y_train)相当于把一维标签传给要求4维输入的CNN模型，直接触发shape不匹配错误。
• 变量名拼写错误：load_data()中从未定义train_labels_decode变量，直接调用会触发变量未定义报错，实际要使用的是存储标签的train_labels_encode或train_labels变量。
• 损失函数与输出层不匹配：2分类任务下输出层用了2个神经元+softmax激活，如果标签是整数编码（0/1），损失函数应该用sparse_categorical_crossentropy；如果要使用binary_crossentropy，输出层应改为1个神经元+sigmoid激活，同时标签要做独热编码。
• 网络结构代码缩进错误：DenseNet201类中的transition_layer函数、densenet方法的核心逻辑缩进层级错误，同时densenet方法没有加静态方法装饰器，调用时会报错。

修复步骤 #

1 修正数据加载逻辑 #

修改load_data()函数如下：

@staticmethod
def load_data():
    """Loads and Preprocess dataset"""
    train_labels = []
    train_data = []
    # 替换为你实际的类别文件夹名称与对应编码
    label_map = {'类别A':0, '类别B':1}
    file_list = os.listdir(dataset_folder)
    for folder in file_list:
        img_dir = os.path.join(dataset_folder, folder)
        for img_name in os.listdir(img_dir):
            full_path = os.path.join(img_dir, img_name)
            train_data.append(TrainingPreprocessing.preprocessing_train(full_path))
            train_labels.append(label_map[folder])
    # 调整返回顺序为(图像数据, 标签)，和接收变量对应
    return np.array(train_data), np.array(train_labels)

2 修正损失函数配置 #

将train()方法中模型编译代码修改为：

# 对应整数标签+2类softmax输出的配置
model.compile(loss='sparse_categorical_crossentropy', optimizer='Adam', metrics=["accuracy"])

3 修正DenseNet结构代码 #

给densenet方法加@staticmethod装饰器，调整transition_layer函数的缩进层级，使其和dense_block函数同级，都定义在densenet方法内部。

验证修复效果 #

修改完成后运行代码，首先确认split_data()打印的训练数据shape为(样本数, 224, 224, 3) (样本数,)，符合预期后再执行训练即可解决输入shape不匹配问题。

内容的提问来源于stack exchange，提问作者stilllearn