Keras图像分类器训练报错：预期dense_2形状(None,2)却得到(321,3)

这个错误是Keras里非常常见的输出层与目标标签形状不匹配问题，咱们拆解原因和解决方案：

核心问题分析 #

你的模型最后一层（dense_2）设置了2个输出神经元（对应2分类任务），但你的训练数据的目标标签是3类的格式——321个样本，每个样本是3维的one-hot编码，两者的类别数量完全不匹配，所以Keras抛出了这个错误。

具体解决步骤 #

1. 先明确你的分类任务类别数

先核对你的数据集：

• 如果你的任务是3分类（比如识别猫、狗、鸟）：那模型输出层的神经元数量要改成3；
• 如果你的任务确实是2分类：那需要修正标签数据，把多余的类别合并或重新编码。

2. 修正模型输出层（针对3分类场景）

把最后一个Dense层的units参数改成3，同时确保激活函数用softmax（多分类任务标准配置），损失函数对应使用categorical_crossentropy：

# 替换你原来的dense_2层
model.add(Dense(3, activation='softmax'))

# 编译模型时匹配损失函数
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

3. 修正标签数据（针对2分类场景）

如果你的任务是2分类，但标签被错误编码成了3维，需要重新处理：

• 比如原来的标签是[0,1,2]，可以把其中一类合并到另一类，重新映射为[0,1]；
• 使用to_categorical编码时，明确指定类别数为2：

  from keras.utils import to_categorical
  # 假设labels是你的原始标签数组
  corrected_labels = to_categorical(labels, num_classes=2)
  

4. 额外检查点（如果用了数据生成器）

如果你用ImageDataGenerator的flow_from_directory加载数据，要确保class_mode参数和任务匹配：

• 3分类用class_mode='categorical'，此时Keras会自动生成3维的one-hot标签，要和输出层的3个神经元对应；
• 2分类可以用class_mode='binary'（对应输出层1个神经元+sigmoid激活），或者class_mode='categorical'（对应输出层2个神经元+softmax激活）。

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