NetworkX图数据输入Keras序贯着色分类模型的形状不匹配报错
核心问题根因
- 输入维度设定混淆了训练集总样本数和单样本特征长度
你设置的nodes=10,每个图展平后的邻接矩阵长度是1010=100;但你在模型第一层写的input_shape=(800,),实际是把1000个样本拆分后剩余的训练集样本数(1000(1-0.2)=800)当成了单样本的特征维度,这是第一个维度报错的源头。
你之前尝试的x_train = np.reshape(x_train, (1, x_train.shape[0]))完全搞反了样本轴和特征轴:把本该是(800, 100)的训练数组硬揉成了(1, 800),相当于把800个样本拼成了1个长度800的单样本,才会触发“期望输入形状(800,)但实际拿到形状(1,)”的连续报错。 - 标签格式不符合损失函数的输入要求
你选用的categorical_crossentropy是多分类交叉熵,要求标签为形状(样本数, 类别数)的one-hot编码数组;但你实际传入的标签是一维整数数组,每个元素直接存图对应的最小着色数,既没有做one-hot转换,又因为之前的x数组被改成了(1, 800),和标签长度800的样本数完全对不上,才会触发第二个标签维度不匹配的报错。 - 代码本身存在未定义变量的隐藏bug
生成ER图的循环里写的是nx.erdos_renyi_graph(nodes,p),但前面定义的概率变量名是probability,变量p没有赋值,正常运行时会直接抛出NameError。
对应修复步骤
- 修正模型输入层的维度参数:把和实际单样本长度不匹配的800维输入,改成对应邻接矩阵展平的实际长度100维,代码如下:
这一步修正后,第一层的参数量会从原来的8010变成10*100 +10=1010,和实际输入维度匹配。model = Sequential() # 单样本特征长度为nodes**2,也就是10*10=100 model.add(Dense(nodes, input_shape=(nodes**2,), activation='relu', name="input")) model.add(Dense(100,activation='sigmoid',name="layer2")) model.add(Dense(100, activation='relu', name="layer3")) model.add(Dense(int(maxColor), activation='softmax', name="output")) - 修正图数据的存储格式:原来用dtype=dict的空numpy数组存展平后的邻接矩阵,生成的是object类型数组,无法直接被keras作为标准张量读取,要在循环结束后把所有样本堆叠成标准二维数组:
这一步之后# 把object类型的邻接矩阵列表转成形状(1000, 100)的标准数值数组 graphs = np.stack(graphs)train_test_split拆分出来的x_train形状自然是(800, 100)、x_test是(200, 100),完全不需要手动调整reshape。 - 修正标签编码:因为你用的是categorical_crossentropy,不能直接传整数格式的着色数标签,要把1起始的着色数做下标偏移、转成one-hot格式:
# 着色数是从1开始计数的,转成0起始的类别索引 y_offset = numColors - 1 x_train, x_test, y_train, y_test = train_test_split(graphs, y_offset, test_size=0.2) # 转one-hot编码,匹配softmax输出和categorical_crossentropy的输入要求 from tensorflow.keras.utils import to_categorical y_train_cat = to_categorical(y_train, num_classes=int(maxColor)) y_test_cat = to_categorical(y_test, num_classes=int(maxColor)) - 修正ER图生成的变量名错误:把循环里未定义的p改成之前定义的probability变量:
graphs[i] = nx.erdos_renyi_graph(nodes, probability)
你贴的模型结构输出里,第一层参数量是8010,对应就是10个神经元接800维输入的计算结果,刚好印证了构建模型时的维度错位问题:实际样本是100维特征,模型却按800维特征算的参数量,从一开始就和数据不匹配。
内容的提问来源于stack exchange,提问作者llkimbo
相关产品推荐
相关产品推荐

