ResNet50开展POLY-U数据集掌纹分类时出现SparseTensor转Tensor的TypeError报错

该SparseTensor转换报错和你手写的ResNet50卷积块、恒等块网络结构无直接关联，问题出在训练流程的输入数据类型与损失函数的匹配逻辑上：

• 代码中指定的损失函数为categorical_crossentropy，该损失强制要求输入标签train_y是稠密的one-hot编码张量，形状为(样本总数, 类别数)
• 实际传入model.fit的train_y是SparseTensor类型：加载POLY-U数据集时，基于文件夹结构自动打标的流程默认返回稀疏格式的整数标签（每个样本对应一个0~308的类别整数，未做one-hot展开），这类数据输入计算图时会被序列化为SparseTensor，与损失函数期望的稠密张量不匹配，直接触发转换报错。

1. 先确认数据类型匹配问题
   在调用model.fit之前插入一行检查代码，验证train_y的实际类型：

   print(type(train_y))
   # 若输出为<class 'tensorflow.python.framework.sparse_tensor.SparseTensor'>，则与报错场景完全对应
   

2. 二选一完成适配
   • 方案一：最小改动适配，直接调整损失函数
     不需要修改现有数据加载逻辑，将编译阶段的损失函数从categorical_crossentropy替换为sparse_categorical_crossentropy，该损失天然支持稀疏整数格式的标签输入，无需手动做one-hot转换：

     model.compile(
         optimizer='adam',
         loss='sparse_categorical_crossentropy',
         metrics=['accuracy']
     )
     

     注意：采用该方案时，模型输出层的softmax激活无需修改，只要输入标签为形状(样本数,)或(样本数, 1)的整数向量即可正常训练
   • 方案二：保留原有损失函数，手动转换SparseTensor格式
     若坚持使用原有的categorical_crossentropy，在喂入fit之前对标签做格式转换：

     # 先将SparseTensor转为稠密张量
     if isinstance(train_y, tf.SparseTensor):
         train_y = tf.sparse.to_dense(train_y)
     # 若当前标签是整数格式，补充one-hot编码适配损失函数要求
     if len(train_y.shape) == 1 or train_y.shape[-1] == 1:
         train_y = tf.one_hot(train_y, depth=309)
     

3. 修复手写ResNet50的潜在结构性问题（不影响当前报错，但会导致后续训练精度异常）
   当前代码的Stage5模块遗漏了2个恒等块，标准ResNet50的Stage5在卷积块之后应包含3个恒等块，现有代码仅保留卷积块就直接接全局池化，网络深度与标准结构存在偏差，会拉低识别精度，需要补全：

   # 恢复注释掉的恒等块，修正过滤器维度
   X = convolutional_block(X, f = 3 ,filters = [512,512,2048], s = 2 )
   X = identity_block(X,3 , [512,512,2048])
   X = identity_block(X,3 , [512,512,2048])
   X = identity_block(X,3 , [512,512,2048])
   

   此外当前代码存在导入缺失问题：仅声明import keras，未导入tensorflow as tf、Conv2D、BatchNormalization等核心依赖，运行时会触发变量未定义报错，需要补全导入：

   import tensorflow as tf
   from tensorflow.keras.layers import (
       Input, Conv2D, BatchNormalization, Activation,
       ZeroPadding2D, MaxPooling2D, AveragePooling2D,
       Flatten, Dense
   )
   from tensorflow.keras.initializers import glorot_uniform
   from tensorflow.keras.models import Model
   

内容的提问来源于stack exchange，提问作者yash bhole