Keras搭建6类图像分类CNN时触发ShapeError的问题排查

这个报错是两处维度操作逻辑偏差叠加导致的，不存在数据加载或者标签转换的问题：

• 第一处是输入形状定义错误。你把包含样本总量的XTrain.shape（即形状为(2700,100,100,1)的完整数据集元组）直接传给了第一层的input_shape参数。Keras定义输入形状时，只需要传去掉样本数维度的单样本特征形状，额外传入样本数维度会直接打乱整个网络的维度计数逻辑。
• 第二处是对Dense层的运算规则理解偏差。Dense层只会对输入张量的最后一维做线性变换，前面所有维度都会被无差别保留，不会自动把二维图像展平。顺着你当前的模型结构计算：因为错误传入了带样本数的input_shape，网络维度计数偏移，输入单张100*100的单通道图经过三层Dense后，原图像的空间维度、通道维度都会被无差别保留，最终模型输出的形状为(None, 100, 100, 1, 6)——也就是每个空间位置、每个通道都会输出一个6类的预测结果，和你准备的标签形状(None,6)（每张图输出一个6类的预测结果）完全不匹配，直接触发形状校验报错。
• 额外的结构偏差：你计划搭建卷积神经网络，但当前模型没有任何卷积、池化层，纯全连接结构既容易触发维度错误，计算效率也远低于常规CNN结构。

model = keras.Sequential([
    # 仅传入单样本形状，不带数据集样本数维度
    keras.layers.Input(shape=(100, 100, 1)),
    # 常规卷积特征提取块
    keras.layers.Conv2D(32, kernel_size=(3,3), activation='relu'),
    keras.layers.MaxPooling2D(pool_size=(2,2)),
    keras.layers.Conv2D(64, kernel_size=(3,3), activation='relu'),
    keras.layers.MaxPooling2D(pool_size=(2,2)),
    # 展平卷积输出的特征图，为后续全连接层做准备
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    # 输出层匹配6分类任务
    keras.layers.Dense(6, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss=keras.losses.CategoricalCrossentropy(),
    metrics=['accuracy']
)

model.fit(XTrain, yTrain, epochs=50, batch_size=32)

内容的提问来源于stack exchange，提问作者OnionMan1934