搭建车位图像分类器报错：期望dense_10形状(2,)却得到(1,)求助

嘿，作为深度学习新手遇到这个问题太正常了，我来帮你把问题拆解得明明白白：

这个报错的核心矛盾很清晰：你的模型最后一层输出是2维的（对应2个类别的概率分布），但喂给模型的标签数据是1维的（比如直接用0代表空车位、1代表满车位），两者维度不匹配才触发了冲突。

给你两种简单的修复方案，选一种适合你的就行：

方案一：调整模型适配现有标签（更推荐二分类场景） #

既然是二分类任务，其实完全不需要用输出2个神经元的softmax，改用单神经元的sigmoid激活函数更贴合场景，代码修改量极小：

# 只需要修改模型的最后两层和编译时的损失函数
model.add(Dense(512,activation='relu'))
model.add(Dropout(rate=0.5))
model.add(Dense(1,activation='sigmoid'))  # 把神经元数从2改成1，激活函数换sigmoid
optimizer = Adam(lr=1e-3)
# 损失函数从categorical_crossentropy换成binary_crossentropy
model.compile(optimizer=optimizer,loss='binary_crossentropy',metrics=['accuracy'])
model.fit(x=tr_img_data,y=tr_lbl_data,epochs=50,batch_size=100)

修改后，模型会输出一个0到1之间的概率值（接近0代表空车位，接近1代表满车位），和你现有的1维标签完美匹配，完全不用改动标签数据。

方案二：调整标签适配现有模型（保留softmax输出） #

如果你坚持想用原来的Dense(2, softmax)结构，那需要把你的1维标签转换成one-hot编码（也就是把0变成[1,0]，1变成[0,1]），用Keras自带的工具就能快速搞定：

from keras.utils import to_categorical

# 把标签转换成one-hot格式，num_classes=2对应你的两个类别
tr_lbl_data_onehot = to_categorical(tr_lbl_data, num_classes=2)
# 训练时用转换后的标签数据
model.fit(x=tr_img_data,y=tr_lbl_data_onehot,epochs=50,batch_size=100)

给新手的额外小提示 #

• 二分类任务优先选方案一，不仅代码更简洁，计算效率也更高
• 可以先打印标签的形状和前几个值确认问题：print(tr_lbl_data.shape)、print(tr_lbl_data[:5])，确保标签是0/1的整数格式
• 训练前可以用model.summary()查看模型各层的输出形状，提前排查维度不匹配的问题

内容的提问来源于stack exchange，提问作者Oj2328