使用Keras运行MNIST分类代码出现Negative dimension size错误如何解决

核心原因 #

你的报错本质是数据格式、卷积层参数与Keras默认配置不匹配，结合了多个拼写/参数错误共同导致：

• TensorFlow后端默认使用NHWC（样本数、高度、宽度、通道数）的数据排列格式，你把单通道放在了第二维度，和默认格式错位
• 卷积层参数写法属于Keras 1.x版本的旧语法，你错误把卷积步长设为了3，直接导致卷积计算时维度为负
• 存在多处变量名、类名大小写拼写错误
• 使用了已废弃的训练参数

具体修改点 #

• 修改数据reshape逻辑，把通道维度放在最后，适配NHWC格式：
  原代码X_train = X_train.reshape(X_train.shape[0], 1, 28, 28)改为X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)，测试集同理修改
• 修正Sequential导入的大小写，将from keras.models import sequential改为from keras.models import Sequential
• 修正卷积层参数写法，新版本Conv2D（Convolution2D的别名，更常用）的卷积核大小用tuple传入：Convolution2D(32, (3, 3), activation='relu', input_shape=(28,28,1))，第二层卷积同理修改
• 修正训练时的变量名大小写，把model.fit(X_train, Y_train改为model.fit(X_train, y_train，评估时的Y_test改为y_test
• 把废弃参数nb_epoch改为epochs

修复后完整代码 #

import numpy as np
np.random.seed(123) # 可复现设置

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras.utils import np_utils
from keras.datasets import mnist

# 加载数据集
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 数据预处理：适配NHWC格式，通道放最后
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1)
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

# 标签独热编码
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

# 搭建模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28,28,1)))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

# 编译与训练
model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

model.fit(X_train, y_train, 
          batch_size=32, epochs=10, verbose=1)
score = model.evaluate(X_test, y_test, verbose=0)
print(f"测试集准确率：{score[1]:.4f}")

验证效果 #

运行修复后代码，训练10轮后测试集准确率可以达到99%以上，无维度报错。

内容的提问来源于stack exchange，提问作者Tuba Umer