Kaggle胸部X光3分类中Keras报(None,1)与(None,3) Shape不兼容错误

你遇到的ValueError: Shapes (None, 1) and (None, 3) are incompatible报错，根源完全不在模型结构上，形状为(None,1)的张量来自数据集返回的标签，而非模型内部的计算层。

具体原因拆解 #

• 模型侧的输出形状确实是(None,3)，对应3类softmax输出，结构没有任何错误：你从14类预训练DenseNet的倒数第二层（全局平均池化层）接新的3类Dense层的逻辑完全正确。
• 调用tf.keras.preprocessing.image_dataset_from_directory时，默认返回稀疏整数标签：每个样本对应一个0/1/2的类别值，经过批次堆叠后，标签的形状就是(batch_size, 1)，也就是报错里显示的(None,1)形状。
• 你编译模型时选用的keras.losses.CategoricalCrossentropy()，要求输入标签是one-hot编码格式，也就是形状为(None,3)的张量，和稀疏标签的形状不匹配，直接触发形状校验报错。

修复方案（二选一即可） #

• 方案1（改动最小，推荐）：将损失函数和评估指标替换为适配稀疏标签的版本，无需改动数据集逻辑，替换编译代码为：

nuovo_model.compile(
    optimizer=keras.optimizers.Adam(LR),
    loss=keras.losses.SparseCategoricalCrossentropy(),
    metrics=[keras.metrics.SparseCategoricalAccuracy()]
)

• 方案2（保留原CategoricalCrossentropy的场景）：在数据集加载流程中手动把稀疏标签转换为3维one-hot编码，让标签形状和模型输出对齐，在生成train_ds、val_ds后增加转换逻辑：

def convert_to_one_hot(image_batch, label_batch):
    return image_batch, tf.one_hot(label_batch, depth=3)

train_ds = train_ds.map(convert_to_one_hot)
val_ds = val_ds.map(convert_to_one_hot)

额外代码提示 #

• 你原代码里的keras.metrics.Accuracy()如果搭配one-hot标签可以正常计算，但搭配稀疏标签时会出现指标数值不准的问题，需要根据选用的损失函数对应替换成匹配的指标。
• 预训练权重加载逻辑没有问题，base_model.layers[-2]对应原14类输出层之前的全局平均池化输出，接新分类头的操作没有取错层的问题。

内容的提问来源于stack exchange，提问作者SCORPIOGA3T