如何将形状(3,3)的TensorFlow图像值输入形状(?,2)的目标张量

这个报错本质就是数据形状不匹配：你的labels数组是(3,3)的形状，但模型定义的target_labels张量要求输入是(?,2)（第一个维度是批量大小，第二个维度是每个样本的2个标签值），两者维度对不上，自然喂不进去。

我给你一步步拆解解决思路：

第一步：先搞清楚你的labels到底是什么 #

先在训练循环里加一行调试代码，看看labels的具体形状和内容，确认它的实际含义：

for imgs ,labels in batches:
    print(f"当前labels形状: {labels.shape}")
    print(f"labels内容:\n{labels}")
    # 后面的代码保持不变

这一步很关键——你得先知道这个(3,3)的数组是批量数据（比如3个样本，每个样本有3个标签值），还是单个样本的3x3矩阵标签，才能针对性调整。

第二步：根据实际情况重塑/转换labels #

这里分两种常见场景给你解决方案：

场景1：你需要的是3个样本，每个样本对应2个标签值 #

如果你的批量大小是3，每个样本本来应该输出2个标签，但数据生成器错误输出了3个，那直接截取前2列就行：

# 把(3,3)转换成(3,2)，取前两列
labels = labels[:, :2]

如果是需要从3x3的矩阵里提取有效信息（比如二分类任务，3x3是错误的one-hot形式），可以先展平再转换：

import numpy as np
# 假设3x3是每个样本的概率分布，先取每行的最大类别索引
labels_flat = labels.argmax(axis=1)
# 再转换成2维的one-hot编码（对应模型需要的(?,2)）
labels = np.eye(2)[labels_flat]

场景2：数据生成器输出错误 #

如果labels的形状完全不符合你的预期，那问题出在dg.get_mini_batches这个数据生成器里——你需要去修改生成器的逻辑，让它输出(batchSize, 2)形状的标签数组，从根源解决问题。

修改后的训练循环示例 #

我把调整逻辑整合到你的代码里，你可以根据实际情况替换重塑方式：

for epoch in range(epochs):
    batches = dg.get_mini_batches(batchSize,(128,128), allchannel=False)
    for imgs ,labels in batches:
        # 调试用，确认后可以删除
        print(f"原始labels形状: {labels.shape}")
        
        # 这里替换成你的重塑逻辑，比如截取前两列
        labels = labels[:, :2]
        
        imgs=np.divide(imgs, 255)
        error, sumOut, acu, steps,_ = sess.run(
            [cost, summaryMerged, accuracy,global_step,optimizer], 
            feed_dict={input_img: imgs, target_labels: labels}
        )
        writer.add_summary(sumOut, steps)
        print("epoch=", epoch, "Total Samples Trained=", steps*batchSize, "err=", error, "accuracy=", acu)
        if steps % 100 == 0:
            print("Saving the mdl")
            saver.save(sess, mdl_save_path+mdl_name, global_step=steps)

额外提醒 #

如果是分类任务，模型的target_labels是(?,2)，通常意味着是二分类的one-hot编码，所以你要确保最终转换后的labels每个样本是[0,1]或者[1,0]这样的形式，避免逻辑错误。

内容的提问来源于stack exchange，提问作者student.a