TensorFlow训练模型时报Data cardinality数据基数歧义错误如何解决

Data cardinality报错的核心原因是输入到model.fit()的训练特征train_X和训练标签train_Y的样本数量不一致，从报错信息可知train_X有12000个样本，train_Y仅640个样本，对应你给出的代码，存在两个直接导致该问题的错误：

• 遗漏了数据集拆分逻辑：你调用read_patches读取数据得到X和Y后，没有执行train_test_split拆分代码，直接使用了未定义的train_X、train_Y变量，大概率是漏写了拆分代码，或者拆分时参数顺序写错，导致特征和标签的拆分结果数量不匹配。
• reshape逻辑错误：你直接对train_X执行reshape(-1, 32, 32, 1)，如果读取到的原始图片尺寸不是3232，reshape操作会自动将单张大图拆分为多个3232的样本，导致特征的样本量倍增，和标签数量完全不匹配，这是你当前报错的最直接诱因。

另外你的代码还存在隐性问题：当前仅读取了标签为1的good类数据，且模型最后一层是输出10类的softmax，和任务的标签规则不匹配，后续也会触发报错。

1. 补全数据集读取和拆分逻辑，如果你有多类数据需要先合并所有类的特征和标签，再执行拆分，示例代码如下：

# 读取所有类别的数据（示例为2分类，包含good类和bad类，根据你的实际分类数调整）
X_good, Y_good = read_patches("C:\\works\\data\\image_source_01\\good", 1) 
X_bad, Y_bad = read_patches("C:\\works\\data\\image_source_01\\bad", 0) 
# 合并所有数据
X = np.concatenate([X_good, X_bad], axis=0)
Y = np.concatenate([Y_good, Y_bad], axis=0)
# 拆分训练集测试集，注意参数顺序：特征在前，标签在后，返回值顺序是train_X, test_X, train_Y, test_Y
train_X, test_X, train_Y, test_Y = train_test_split(X, Y, test_size=0.2, random_state=42)
# 拆分后先校验数量匹配
print(f"训练特征数：{train_X.shape[0]}, 训练标签数：{train_Y.shape[0]}")
print(f"测试特征数：{test_X.shape[0]}, 测试标签数：{test_Y.shape[0]}")

2. 修正reshape逻辑：在reshape前先确认原始图片的尺寸，如果不是3232，先通过cv2.resize把所有图片统一缩放到3232，再执行reshape，避免样本量异常变化：

# 示例：统一缩放图片到32*32，放在read_patches函数里读取图片后执行
patch = cv2.resize(gray, (32, 32))
# 之后再执行reshape就不会改变样本数量
train_X = train_X.reshape(-1, 32, 32, 1)
test_X = test_X.reshape(-1, 32, 32, 1)

3. 修正模型输出层：根据你的实际分类数调整最后一层Dense的units参数，比如2分类就设置为2，不要用不匹配的10：

# 2分类示例
tf.keras.layers.Dense(units=2, activation='softmax')

4. 启动训练前再次校验train_X.shape[0]和train_Y.shape[0]数值完全一致后，再执行model.fit即可。

内容的提问来源于stack exchange，提问作者chobab