1D CNN处理7波段光谱数据时Keras输入形状ValueError问题求解

核心报错原因是输入数据维度与模型定义的输入维度不匹配，同时模型结构存在适配二分类任务的缺陷，按以下步骤修改即可解决： #

1. 修正输入数据维度转换逻辑 #

TensorFlow中Conv1D层默认的输入维度格式为 (样本数, 序列长度, 特征数)：

• 你定义的模型输入为Input(shape=(7,1))，含义为序列长度7（对应7个波段）、单值特征
• 现有reshape逻辑生成的输入为(样本数, 1, 7)，含义为序列长度1、7维特征，和模型要求完全相反

将reshape代码替换为以下任意一种写法即可：

# 写法1：reshape指定维度
xTrain = np.reshape(xTrain, (xTrain.shape[0], xTrain.shape[1], 1))
xTest = np.reshape(xTest, (xTest.shape[0], xTest.shape[1], 1))

# 写法2：用expand_dims更简洁，在最后一维加通道
xTrain = np.expand_dims(xTrain, axis=-1)
xTest = np.expand_dims(xTest, axis=-1)

修改后xTrain的shape为(600,7,1)，和模型输入要求完全匹配。 #

2. 修正模型结构适配输出要求 #

现有模型经过卷积、池化后输出为三维张量(None, 2, 4)，直接接全连接层会保留序列维度，导致最终输出shape为(None,2,1)，和你一维的标签(None,)不匹配，需要在池化层后添加Flatten层将特征展平为一维，同时修正输出层激活函数：

# 先导入Flatten层
from tensorflow.keras.layers import Flatten

# 修改后的模型结构如下
filters=4
kernel_size=4

visible = Input(shape=(7,1))
hidden1 = Conv1D(filters=filters, kernel_size=kernel_size, activation='relu', name="L1")(visible)
hidden2 = MaxPooling1D()(hidden1)
hidden_flat = Flatten()(hidden2) # 新增展平层，把三维特征转成一维
hidden3 = Dense(2, activation='relu', name="L3")(hidden_flat)
# 二分类单输出要使用sigmoid激活，不要用softmax（softmax单神经元输出永远为1，无法完成分类）
output = Dense(1, activation='sigmoid', name="Output")(hidden3)
model = Model(inputs=visible, outputs=output)

3. 可选超参数调整 #

你当前设置的kernel_size=4是合理的，7长度的序列经过卷积后输出长度为7-4+1=4，池化后为2，没有逻辑问题。如果后续训练效果不佳，可以调整filters、kernel_size、学习率等超参数优化效果。

内容的提问来源于stack exchange，提问作者Ranjan