构建多类水果图像分类ANN模型拟合报错及神经元设置咨询

核心问题 #

你遇到的维度不匹配错误和神经元数量设置无关，是以下两个代码问题导致：

1. 缺少图像展平步骤：你从ImageDataGenerator获取的单张图像形状为(68,46,3)，输入全连接层前需要将三维张量展平为一维向量，否则全连接层会将像素维度识别为样本维度，最终出现logits和标签第一维度不匹配的问题。
2. 输入形状配置错误：68463=9384，你设置的input_shape = (100096,3)和实际输入尺寸完全不符，进一步加剧了维度错乱。

修复代码 #

修改模型定义部分，在第一层加入Flatten展平层，自动完成图像维度转换：

model = tf.keras.models.Sequential()
# 新增展平层，自动将(68,46,3)的三维图像转为一维向量
model.add(tf.keras.layers.Flatten(input_shape=(68,46,3)))
model.add(tf.keras.layers.Dense(units = 3128, activation = 'relu'))
# 可选：加入dropout层抑制过拟合
# model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.Dense(units = 4, activation = 'softmax'))

另外你编写的test_label_func存在严重缩进错误：标签赋值、列表追加逻辑、最终返回值都不在循环体内，运行后无法生成正确的测试标签，需要调整缩进将逻辑放入循环中。

神经元数量设置可以参考以下通用规则：

• 输入层：神经元数量等于展平后的特征维度，本场景下就是68463=9384，不需要手动配置，Flatten层会自动处理。
• 隐藏层：
  • 数值范围介于输入层神经元数和输出层神经元数之间，本场景下就是4~9384区间，你当前设置的3128在合理区间内。
  • 调参时优先从小数量开始测试，比如先试512、1024，再逐步提升数值：神经元太少容易出现欠拟合，训练集精度上不去；神经元太多容易过拟合，训练集精度很高但测试集精度差。
  • 如果加入dropout、L2正则化等抗过拟合策略，可以适当提升隐藏层神经元数量，增强模型拟合能力。
• 输出层：神经元数量等于分类任务的类别数，本场景是4类水果，设置为4是正确的。

内容的提问来源于stack exchange，提问作者dataenthusiast93