TensorFlow卷积神经网络出现Negative Dimension size报错如何解决

该错误表示你搭建的CNN在特征提取过程中，特征图的空间维度变为负数，无法完成卷积计算。错误日志明确显示，执行第四个Conv2D层时，输入的特征图尺寸已经是1×1，而你配置的卷积核尺寸为2×2、步长为2、填充方式为VALID，计算得到的输出维度为负数，因此触发异常。

卷积层使用VALID填充时的输出尺寸计算公式为：
输出尺寸 = floor((输入尺寸 - 卷积核尺寸)/步长) + 1
代入当前参数计算：floor((1 - 2)/2) + 1 = -1 + 1 = 0，维度小于1不合法，因此抛出错误。

你的网络中多次使用步长为2的卷积+2×2池化的组合，特征图尺寸压缩速度过快，在进入第四个卷积层前就已经被压缩到1×1，无法支撑你设置的2×2卷积核、步长2的卷积操作。

我们可以逐层推导特征图尺寸变化（假设输入IMAGE_SIZE为S）：

1. 第一层：3×3卷积（same padding，步长1）→ 输出S×S，经过2×2池化 → 尺寸变为 S/2 × S/2
2. 第二层：3×3卷积（valid padding，步长2）→ 输出floor((S/2 -3)/2)+1，经过2×2池化 → 尺寸再缩小一半
3. 第三层：2×2卷积（same padding，步长1）→ 尺寸不变，经过2×2池化 → 尺寸再次缩小一半
4. 进入第四层时特征图尺寸已经为1×1，无法匹配2×2卷积核的计算要求。

你可以任选以下一种方案解决问题：

• 修改第四个Conv2D层的配置，将填充方式改为same，或者将步长调整为1，保证1×1的输入可以正常完成卷积计算
• 减少前面的池化层数量，或者将池化层的步长从默认的2改为1，降低特征图的压缩速度
• 若你的输入IMAGE_SIZE过小（如小于32），可以适当放大输入图片的分辨率，避免特征图过早被压缩到1×1
• 直接删除第四个Conv2D层，在第三层的池化层后直接接GlobalAveragePooling2D，也可以正常完成模型构建

内容的提问来源于stack exchange，提问作者Shashi7679