TensorFlow训练MNIST CNN触发ValueError数据适配器错误如何修复？

你在循环构造模型的代码中错误加入了x_train = x_train.shape[0:]语句，原本x_train是存储手写数字图像的numpy数组，被这行代码覆盖为了存储数组维度的整数元组，导致model.fit读取训练输入时类型不匹配，触发数据适配器报错。

同时你的代码还存在几处不符合MNIST 10分类任务、不符合CNN输入要求的逻辑问题，也会导致后续训练失败，需要一并修复。

• 删除循环内部的错误赋值语句x_train = x_train.shape[0:]，避免覆盖原始训练数据
• 给MNIST数据集添加通道维度，适配Conv2D层要求的4维输入格式（样本数, 高度, 宽度, 通道数），在数据归一化代码后添加如下代码：

# 增加单通道维度，适配灰度图输入要求
x_train = x_train.reshape(-1, 28, 28, 1)
x_test = x_test.reshape(-1, 28, 28, 1)

• 修正卷积层的输入形状参数，输入形状不需要包含样本数维度，将第一层Conv2D的参数改为：

model.add(Conv2D(layer_size, (3,3), input_shape = (28,28,1)))

• 修正输出层和损失函数，适配10分类任务：
  1. 将输出层的全连接节点数从1改为10：model.add(Dense(10))
  2. 将输出层的激活函数从sigmoid改为softmax：model.add(Activation("softmax"))
  3. 将编译时的损失函数从binary_crossentropy改为sparse_categorical_crossentropy（匹配y_train的整数标签格式，无需额外做onehot编码）
• 可选优化：在model.fit中加入你定义的TensorBoard回调和验证集，方便调参：

model.fit(x_train, y_train, batch_size = 30, epochs = 10, validation_data=(x_test, y_test), callbacks=[tensorboard])

你当前的三重循环会遍历所有超参数组合，每次循环都会覆盖之前的model变量，最终保存的只是最后一组超参数训练得到的模型，如果需要保存所有实验结果或者择优保存，需要自行添加模型存储的判断逻辑。

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