CNN训练报错Shapes (None, 3)与(None, 30, 30, 3)不兼容，独热编码无效如何解决

• 你要开发卷积神经网络，但当前代码未搭建任何卷积、池化结构，且没有将2D图像特征展平的Flatten层：你的输入单张图像形状为(30, 30, 3)，直接传入全连接层（Dense）时，全连接层仅作用于最后一维，会保留高宽维度，最终模型输出形状为(None, 30, 30, 3)，和独热编码后标签的(None, 3)形状完全不匹配，触发报错。
• y_test处理存在低级错误：对y_test做独热编码时错误传入了y_train作为参数，会导致后续测试集评估完全失效。

方案1：搭建标准CNN结构（符合你的开发目标） #

替换原有模型定义部分为如下代码：

model = Sequential()
# 卷积池化层 提取图像特征
model.add(Conv2D(32, (3,3), activation='relu', input_shape = X_train.shape[1:]))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(64, (3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
# 展平2D特征为1D向量
model.add(Flatten())
# 全连接分类层
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(3, activation='softmax'))

同时修正y_test的处理代码：

# 原代码错误传入y_train，替换为y_test
y_test = tf.keras.utils.to_categorical(y_test, num_classes=3)

方案2：临时使用全连接网络测试 #

如果不需要CNN结构，仅要验证训练流程，在输入层之后添加Flatten层即可：

model = Sequential()
# 先将(30,30,3)的图像展平为2700维的1D向量
model.add(Flatten(input_shape = X_train.shape[1:]))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(3, activation='softmax'))

• 训练轮次设置为2000过高，极易出现过拟合，建议先设置为10-30轮观察收敛效果再调整。
• 输入图像X_train、X_test建议做归一化处理：X_train = X_train / 255.0、X_test = X_test / 255.0，可大幅提升训练稳定性和收敛速度。

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