TensorFlow自定义Sequence数据生成器训练时，标签列表转NumPy数组引发形状不兼容错误

看起来你的问题出在标签字典构建的缩进错误，以及生成batch标签时的数组转换方式上，我来一步步帮你排查和解决：

问题根源分析 #

你给出的错误提示说“请求的数组在1维后有不均匀的形状”，这说明batch_labels列表里的元素形状/类型不一致。看你构建labels_dict的代码：

for i, sid in enumerate(train_df['study_id']):
    labels_dict[str(sid)] = []
    for con in conditions:
        # ... 标签赋值逻辑 ...

   labels_dict[str(sid)] = np.array(labels_dict[str(sid)], dtype=np.float32)

注意最后一行转换数组的代码缩进是在for i, sid循环的外面！这意味着只有最后一个study_id的标签会被转成NumPy数组，其他所有id的标签仍然是普通列表。当你的生成器收集batch标签时，列表里混合了列表和数组类型，np.array()无法处理这种混合，就会抛出形状不均匀的错误。

另外，也有可能部分study_id对应的条件数量不等于5，导致标签形状不一致，不过先解决缩进问题是首要的。

解决步骤 #

1. 修正标签字典的构建代码

把转换数组的代码缩进放到for i, sid循环内部，确保每个id的标签都被正确转成形状为(5, 3)的NumPy数组：

labels_dict = {}
for i, sid in enumerate(train_df['study_id']):
    labels_dict[str(sid)] = []
    for con in conditions:
        if train_df.loc[i, con] == 'normal_mild':
            labels_dict[str(sid)].append([1, 0, 0])
        elif train_df.loc[i, con] == 'severe':
            labels_dict[str(sid)].append([0, 0, 1])
        else:
            labels_dict[str(sid)].append([0, 1, 0])
    # 修正缩进：每个sid的标签都转成数组
    labels_dict[str(sid)] = np.array(labels_dict[str(sid)], dtype=np.float32)

2. 改进生成器中batch标签的转换方式

在__getitem__方法里，用np.stack()替代np.array()来生成batch标签数组，它更适合处理形状一致的数组列表，能确保生成(batch_size, 5, 3)的标准形状：

def __getitem__(self, index):
    # ... 现有代码 ...
    if self.labels_dict:
        # 用np.stack替代np.array
        batch_labels = np.stack(batch_labels, axis=0)
        return batch_images, batch_labels
    return batch_images

3. 可选：添加形状检查（调试用）

如果还是有问题，可以在生成器里临时添加形状检查，确认每个id的标签形状是否符合预期：

for id_ in batch_ids:
    # ... 图像处理代码 ...
    if self.labels_dict:
        label = self.labels_dict.get(id_)
        # 打印标签形状，确认是否都是(5,3)
        print(f"Study ID {id_} label shape: {label.shape}")
        batch_labels.append(label)

验证解决效果 #

修改完成后，你可以先运行以下代码测试生成器的输出形状：

data_x, data_y = next(iter(train_generator))
print(f"Input shape: {data_x.shape}")  # 应该是(batch_size, num_img, 224, 224, 3)
print(f"Label shape: {data_y.shape}")  # 应该是(batch_size, 5, 3)

如果输出形状符合预期，再启动训练就不会报错了。

备注：内容来源于stack exchange，提问作者Kazi Md Abdullah Al Mubin