CNN训练报错：预期dense_10形状(1,)却得到(19316,)求解决方案

首先咱们直接抓核心：你遇到的报错完全是因为损失函数和任务类型不匹配，再加上模型里有个多余的层，以及生成器、训练参数的小问题，一步步来改就行。

1. 为什么Keras期望形状是(1,)？ #

你用了sparse_categorical_crossentropy作为损失函数——这个损失是专门给单标签分类任务设计的，它要求你的标签是单个整数（比如类别0、1、2...），形状自然是(1,)。但你的任务是输出19316维的数组（对应拉平的标签图像），属于回归任务（比如图像重建、像素级预测这类），完全不适用分类损失，所以Keras才会报形状不匹配的错误。

2. 具体修改步骤 #

（1）替换损失函数 #

把分类损失换成回归类损失，比如最常用的均方误差（如果你的标签是归一化到0-1区间的，也可以用mean_absolute_error，按需选择）：

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mse'], options=run_opts)

（2）删除多余的Softmax层 #

你的模型在Flatten之前加了Activation('softmax')，这个层是分类任务用来输出概率分布的，回归任务完全不需要，而且放在卷积池化之后会破坏特征，必须删掉：

# 删掉这一行多余的层
model.add(Activation('softmax'))

（3）修正生成器的小问题 #

生成器里的transpose()完全没必要，因为flatten()之后已经是一维数组了，直接简化；另外生成器里的num计算逻辑也有问题，不需要提前截断，让循环自然处理即可：

def generator(data_arr, batch_size=10):
    num = len(data_arr)
    # Loop forever so the generator never terminates
    while True:
        # 按batch_size遍历，自动处理最后一个不足batch的情况
        for offset in range(0, num, batch_size):
            batch_samples = data_arr[offset:offset+batch_size]
            samples = []
            labels = []
            for batch_sample in batch_samples:
                samples.append(batch_sample[0])
                labels.append(batch_sample[1].flatten())
            X_ = np.array(samples)
            Y_ = np.array(labels)
            X_ = X_[:, :, :, newaxis]
            yield (X_, Y_)

（4）修正fit_generator的步数参数 #

steps_per_epoch和validation_steps应该是总样本数除以batch_size，而不是直接用样本总数，不然训练会重复循环很多次；同时要保证和生成器的batch_size保持一致：

batch_size = 10  # 和生成器的batch_size统一！
nb_epoch = 6
model.fit_generator(
    train_generator,
    steps_per_epoch=len(training_data) // batch_size,
    epochs=nb_epoch,
    validation_data=validation_generator,
    validation_steps=len(val_data) // batch_size
)

3. 验证修改效果 #

修改完成后，模型输出层dense_10的形状是(None, 19316)，和你的标签形状(batch_size, 19316)完全匹配，不会再报形状不匹配的错误了。

内容的提问来源于stack exchange，提问作者lr99