Keras训练分类网络报错ValueError: Dimensions must be equal维度不匹配

核心错误原因 #

报错由两个可修复的逻辑问题共同导致：

• 卷积池化后的4维特征张量未做展平，直接接入全连接层，导致模型输出形状和标签形状不匹配
• 损失函数选择和标签格式不兼容

具体修复步骤 #

1. 模型结构补充展平层 #

在Dropout(0.25)层和第一个全连接Dense层之间，添加keras.layers.Flatten()层，将卷积输出的(None,32,32,18)4维张量压缩为(None, 32*32*18)的一维特征向量，适配全连接层的输入要求。

修改后的模型结构代码：

inputs = keras.Input(shape=(64,64,1), dtype='float32')

x = keras.layers.Conv2D(12,(9,9), padding="same", dtype='float32',activation='relu')(inputs)
x = keras.layers.Conv2D(18,(7,7), padding="same", activation='relu')(x)

x = keras.layers.MaxPool2D(pool_size=(2,2))(x)
x = keras.layers.Dropout(0.25)(x)
# 新增展平层
x = keras.layers.Flatten()(x)
x = keras.layers.Dense(50, activation='relu')(x)
x = keras.layers.Dropout(0.4)(x)
outputs = keras.layers.Dense(2, activation='softmax')(x)

model = keras.Model(inputs, outputs)

修改后模型输出形状会变为(None,2)，和标签形状对齐。

2. 修正损失函数配置 #

你的标签y_train是one-hot编码格式（形状为(样本数, 2)），不能使用SparseCategoricalCrossentropy损失（仅支持整数标签，形状为(样本数,)），替换为CategoricalCrossentropy即可。

修改后的编译代码：

model.compile(
    loss=keras.losses.CategoricalCrossentropy(),
    optimizer=keras.optimizers.Adam(0.01),
    metrics=["acc"],
)

可选优化 #

如果你的one-hot标签是通过to_categorical转换得到的，也可以保留SparseCategoricalCrossentropy损失，将标签转换为整数格式：

y_train = np.argmax(y_train, axis=1)
y_test = np.argmax(y_test, axis=1)

内容的提问来源于stack exchange，提问作者nadia faramarzi