基于MNIST数据集复现LeNet时训练报错输入维度不匹配如何解决
错误产生原因
- 核心问题为模型输入层定义与MNIST数据集实际格式不匹配:你在第一层卷积层设置的输入形状为
(32,32,3),其中3代表RGB三彩色通道,但MNIST是灰度手写数字数据集,所有图像均为单通道,且原生尺寸为28*28,和你定义的输入形状完全不符,因此触发形状不兼容报错。你之前修改标签格式的操作没有触及问题根源,所以报错没有变化。 - 额外存在的隐藏问题:你仅对训练集、测试集标签做了独热编码转换,验证集标签没有同步转换,即使输入形状问题修复后,也会触发后续的损失计算报错。
修复方案
你可以选择适配原LeNet的输入规格修改数据集,或修改模型适配MNIST原生格式,前者更贴合LeNet的原始设计,具体操作如下:
- 新增图像尺寸调整步骤,在归一化代码后加入以下代码,将2828的MNIST图像缩放至LeNet要求的3232:
# 适配LeNet输入尺寸,缩放图像 train_images = tf.image.resize(train_images, (32,32)).numpy() val_images = tf.image.resize(val_images, (32,32)).numpy() test_images = tf.image.resize(test_images, (32,32)).numpy()
- 修改模型第一层的输入形状配置,将通道数从3改为1:
将原有第一层卷积层代码
model.add(layers.Conv2D(filters=6, kernel_size=(5,5), activation='relu', input_shape=(32,32,3)))
替换为
model.add(layers.Conv2D(filters=6, kernel_size=(5,5), activation='relu', input_shape=(32,32,1)))
- 补充验证集标签的独热编码转换,在标签转换代码中加入对应逻辑:
from tensorflow.keras.utils import to_categorical train_labels = to_categorical(train_labels) val_labels = to_categorical(val_labels) test_labels = to_categorical(test_labels)
完成以上修改后即可正常启动训练。
内容的提问来源于stack exchange,提问作者Lleims
相关产品推荐
相关产品推荐

