使用Keras训练猫狗分类器报错：期望activation_1形状为(2,)却得到(1,)

这个错误我之前做二分类图像任务时也踩过坑，本质是模型输出的形状和训练标签的形状不匹配，给你两种直接可行的解决思路：

原因拆解 #

你用了softmax作为最终激活函数，这意味着模型最后一层应该输出2个神经元（对应猫、狗两类），期望接收的标签是one-hot编码的2维数组（比如[1,0]代表猫，[0,1]代表狗）。但你的训练标签是1维的（比如用0/1直接标记类别），就出现了形状不匹配的报错。

方案一：调整模型适配1维标签（更适合二分类场景） #

把输出层改成单神经元+sigmoid激活，配合二元交叉熵损失，完美适配0/1的一维标签：

# 修改激活函数配置
FINAL_ACTIVATION = "sigmoid"

# 补全你的模型（注意要加Flatten层把卷积特征转成一维）
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape = INPUT_SHAPE))
model.add(keras.layers.ELU())
model.add(MaxPooling2D(pool_size = (2, 2), strides = STRIDES))
model.add(Conv2D(64, (3, 3)))
model.add(keras.layers.ELU())
model.add(MaxPooling2D(pool_size = (2, 2), strides = STRIDES))
# 新增Flatten层，把卷积的2D特征展平成1D
model.add(Flatten())
# 可选：加个全连接层提升拟合能力
model.add(Dense(128))
model.add(keras.layers.ELU())
model.add(Dropout(DROPOUT))
# 单神经元输出，用sigmoid激活
model.add(Dense(1, activation=FINAL_ACTIVATION))

# 编译模型时用二元交叉熵损失
model.compile(optimizer=OPTIMIZER, loss='binary_crossentropy', metrics=['accuracy'])

方案二：转换标签适配softmax输出 #

如果你坚持用softmax，就把一维标签转换成one-hot编码的二维数组：

from keras.utils import to_categorical

# 假设你的原始训练/验证标签是y_train、y_val（形状为(n_samples,)，值为0或1）
y_train_onehot = to_categorical(y_train, num_classes=2)
y_val_onehot = to_categorical(y_val, num_classes=2)

# 补全模型，最后一层用2神经元+softmax
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape = INPUT_SHAPE))
model.add(keras.layers.ELU())
model.add(MaxPooling2D(pool_size = (2, 2), strides = STRIDES))
model.add(Conv2D(64, (3, 3)))
model.add(keras.layers.ELU())
model.add(MaxPooling2D(pool_size = (2, 2), strides = STRIDES))
model.add(Flatten())
model.add(Dense(128))
model.add(keras.layers.ELU())
model.add(Dropout(DROPOUT))
# 2神经元对应两类，用softmax激活
model.add(Dense(2, activation=FINAL_ACTIVATION))

# 编译模型时用分类交叉熵损失
model.compile(optimizer=OPTIMIZER, loss='categorical_crossentropy', metrics=['accuracy'])

额外提醒 #

• 别忘了在卷积池化层之后加Flatten()层，否则无法把二维的卷积特征连接到全连接输出层（你的代码里没写这部分，大概率是遗漏了）
• 确认INPUT_SHAPE是正确的图像形状，比如(150, 150, 3)对应RGB彩色图的宽、高、通道数

内容的提问来源于stack exchange，提问作者Jasper R.