使用VGG16提取特征供SVM做图像分类时标签维度报错如何解决？

报错的核心是sklearn中svm.SVC的fit方法要求输入的标签y为1维的类别整数数组，你当前的标签是3分类对应的独热编码格式，形状为(14630,3)，不符合输入要求。

解决方案（二选一即可） #

方案1：修改数据生成器参数（推荐） #

直接从生成环节输出符合要求的1维标签，修改两处代码即可：

• 将标签初始化代码 labels = np.zeros(shape=(sample_count,3)) 改为 labels = np.zeros(shape=(sample_count,))
• 将flow_from_directory方法中的class_mode='categorical'改为class_mode='sparse'，生成器会直接输出1维的类别整数标签，无需额外转换。

修改后的完整特征提取代码如下：

def extract_features(directory, sample_count):
    features = np.zeros(shape=(sample_count, 7, 7, 512))
    # 标签改为1维
    labels = np.zeros(shape=(sample_count,))
    # class_mode改为sparse，直接输出整数标签
    generator = ImageDataGenerator(rescale=1./255).flow_from_directory(directory,target_size=(224, 224),batch_size = batch_size, class_mode='sparse')
    i = 0
    print('Entering for loop...')

    for inputs_batch, labels_batch in generator:
        features_batch = model.predict(inputs_batch)
        features[i * batch_size : (i + 1) * batch_size] = features_batch
        labels[i * batch_size : (i + 1) * batch_size] = labels_batch
        i += 1
        if i * batch_size >= sample_count:
            break
    return features, labels

方案2：对已有独热编码做转换 #

如果不想改动特征提取的原有逻辑，可在调用clf.fit之前，用np.argmax把独热编码转换为1维类别索引：

# 把独热编码转为类别索引，axis=1表示按行取最大值的下标
train_labels = np.argmax(train_labels, axis=1)
validation_labels = np.argmax(validation_labels, axis=1)

特征形状说明 #

你当前已经将train_featuresreshape为(14630, 25088)的二维数组，完全符合SVC输入X要求的「样本数×特征数」格式，无需额外调整。

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