TensorFlow训练CNN时报(None,1)与(None,150)形状不兼容错误求助

核心问题 #

你使用的损失函数categorical_crossentropy要求输入标签为one-hot编码后shape为(样本数, 150)的张量，但当前你的y_train、y_val均为字符串格式的宝可梦类别名称，shape为(样本数,)，即使你尝试过One-Hot编码，也大概率是没有先完成类名字符串到整数索引的映射步骤，导致编码失效。

两种可行修复方案 #

方案1：保持损失函数不变，正确完成标签编码 #

提前将字符串类名映射为整数，再转为One-Hot格式，对应代码修改如下：

from sklearn.preprocessing import LabelEncoder
from tensorflow.keras.utils import to_categorical

# 1. 字符串类名转0-149的整数索引
label_encoder = LabelEncoder()
img_labels_int = label_encoder.fit_transform(img_labels)

# 2. 拆分数据集时使用整数标签
X_train, X_val, y_train, y_val=train_test_split(img_data, img_labels_int, test_size=0.3, random_state=42,shuffle=True)

# 3. 整数标签转One-Hot编码，匹配损失函数要求
y_train = to_categorical(y_train, num_classes=150)
y_val = to_categorical(y_val, num_classes=150)

后续训练代码无需修改即可正常运行。

方案2：不修改标签编码，更换适配整数标签的损失函数 #

无需做One-Hot编码，仅需要先把字符串类名转成整数索引，再把模型编译环节的损失函数替换为sparse_categorical_crossentropy即可，该损失函数原生支持整数格式的标签，代码更精简：

# 先完成字符串类名到整数索引的转换，同方案1第一步
from sklearn.preprocessing import LabelEncoder
label_encoder = LabelEncoder()
img_labels_int = label_encoder.fit_transform(img_labels)
X_train, X_val, y_train, y_val=train_test_split(img_data, img_labels_int, test_size=0.3, random_state=42,shuffle=True)

# 修改损失函数
model.compile(loss='sparse_categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

内容的提问来源于stack exchange，提问作者liatkatz