Keras多分类CNN报错：目标形状不匹配，求修复方案

这个错误我之前也碰到过，核心问题非常明确：你的模型最后一层定义的输出类别数（由classes_num变量指定）和数据集实际包含的类别数量不匹配。模型期望每个样本的标签是3维的one-hot向量（对应3个类别），但你的数据生成器实际输出的是9维的one-hot向量——这说明你的数据集里一共有9个类别。

下面是具体的修复步骤：

1. 先确认数据集的真实类别数 #

不用手动去数文件夹里的类别，flow_from_directory方法会自动帮你统计，你可以在创建完train_generator后添加一行代码查看：

train_generator = train_datagen.flow_from_directory(
    train_data_path,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    class_mode='categorical'
)
# 打印真实类别数
print("数据集实际类别数量：", train_generator.num_classes)

运行后你会看到输出是9，这就是问题的核心所在。

2. 修正模型的输出层 #

把模型最后一层Dense层的units参数改成数据集的真实类别数，推荐直接用生成器的num_classes属性，避免手动设置出错：

# 替换原来的 classes_num 为 train_generator.num_classes
model.add(Dense(train_generator.num_classes, activation='softmax'))

如果你想保留classes_num变量，也可以先赋值再使用：

classes_num = train_generator.num_classes
model.add(Dense(classes_num, activation='softmax'))

3. 验证其他参数的一致性 #

• 你已经设置了class_mode='categorical'，对应的损失函数categorical_crossentropy是完全正确的，这部分不需要修改；
• 另外，训练时的samples_per_epoch和validation_steps也建议用生成器的属性自动计算，避免手动设置的数值和实际数据量不匹配：

  samples_per_epoch = train_generator.samples // train_generator.batch_size
  validation_steps = validation_generator.samples // validation_generator.batch_size
  

额外提醒 #

如果之前你是手动把classes_num设为3，那就是这里和数据集的9个类别冲突了。以后处理这类任务时，尽量用生成器的自动统计功能来获取类别数，能减少很多手动配置的错误。

内容的提问来源于stack exchange，提问作者Thanh Nguyen