训练手写数字识别DNN遇输入维度错误：期望2维却得到(60000,28,28)

嘿，我一眼就揪出问题啦——你在训练模型的时候传错了输入数据！咱们来拆解下：

错误根源 #

你已经辛辛苦苦把原始的28x28图像（x_train，形状(60000,28,28)）扁平化处理成了train_images（形状(60000,784)），也把标签转成了one-hot编码的train_labels，但在调用model.fit()的时候，你却还是传了原始的x_train和y_train！这就导致模型收到的输入和它预期的(784,)维度完全不匹配，自然报错了。

另外还有两个小问题得顺便修正：

• 你用了binary_crossentropy损失函数，但MNIST是10分类任务，应该用categorical_crossentropy（因为标签已经转成one-hot了）
• 你把训练数据当成了验证数据，这完全起不到验证模型泛化能力的作用，建议换成测试集test_images和test_labels

修正后的完整代码 #

import matplotlib.pyplot as plt
import keras
from keras import optimizers
from keras.models import Sequential
from keras.layers import Dense, Activation, Flatten
from keras.datasets import mnist

# 加载数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理：扁平化+归一化
train_images = x_train.reshape(60000, 784)
test_images = x_test.reshape(10000, 784)
train_images = train_images.astype('float32') / 255
test_images = test_images.astype('float32') / 255

# 标签转one-hot编码
train_labels = keras.utils.to_categorical(y_train, 10)
test_labels = keras.utils.to_categorical(y_test, 10)

# 构建模型
model = Sequential()
model.add(Dense(512, activation="relu", input_shape=(784,)))
for x in range(0, 10):
    model.add(Dense(512, activation="relu"))
model.add(Dense(10, activation="softmax"))

model.summary()

# 编译模型：修正损失函数
model.compile(optimizer="rmsprop", loss="categorical_crossentropy", metrics=['accuracy'])

# 训练模型：修正输入数据和验证数据
model.fit(
    train_images, train_labels, 
    epochs=100, verbose=2, 
    shuffle=True, 
    validation_data=(test_images, test_labels), 
    steps_per_epoch=10, 
    validation_steps=10, 
    validation_freq=1
)

关键修改点说明 #

1. 输入数据替换：把model.fit()里的x_train换成train_images，y_train换成train_labels，确保输入维度和模型第一层的input_shape=(784,)匹配
2. 损失函数修正：用categorical_crossentropy适配多分类任务，binary_crossentropy是给二分类用的，不适合10分类场景
3. 验证数据替换：用测试集做验证，能真实反映模型在未见过的数据上的表现，而不是用训练数据自欺欺人

这样修改后，模型就能正常启动训练啦！

内容的提问来源于stack exchange，提问作者ryucarioo