TensorFlow构建屋顶分类CNN时出现Shapes Incompatible错误求助

嘿，我来帮你搞定这个报错，顺便给你一些CNN入门的实用建议～

首先，直接导致报错的原因：One-Hot编码维度不匹配 #

你的任务是二分类（类别0、1），但在计算损失时，你把tf.one_hot的depth参数设成了4：

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=4)

这就生成了形状为(?,4)的标签，但你的logits层输出是2个单元（对应二分类），所以两者形状不兼容，抛出了Shapes (?, 2) and (?, 4) are incompatible的错误。

修改方法：把depth改成2：

onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=2)

第二个严重错误：全连接层前的特征展平维度计算错误 #

你现在写的：

pool2_flat = tf.reshape(pool2, [-1, 128 * 128 * 3])

完全不符合实际的特征图尺寸，经过两次卷积+池化后，特征图已经被缩小了，我们来一步步算：

1. 输入层：128×128×3
2. conv1（same padding）：输出还是128×128×28，然后pool1（2×2 stride2）：变成64×64×28
3. conv2（same padding）：输出64×64×14，然后pool2（2×2 stride2）：变成32×32×14

所以正确的展平应该是32×32×14，或者更省心的用TensorFlow自带的flatten层，不用手动计算：

pool2_flat = tf.layers.flatten(pool2)

其他可以优化的小细节（帮你提升模型效果） #

1. 优化器选择：新手用SGD收敛速度通常很慢，建议换成Adam优化器，提升训练效率：

train_op = tf.contrib.layers.optimize_loss(
    loss=loss,
    global_step=tf.contrib.framework.get_global_step(),
    learning_rate=0.001,
    optimizer="Adam"  # 把SGD改成Adam
)

2. 数据归一化：你把图像转成了float32，但没有做归一化，像素值在0-255之间会导致模型训练不稳定，建议除以255缩到0-1区间：

data = np.float32(np.asarray(data_images)) / 255.0  # 新增归一化

3. 损失函数适配二分类：二分类任务其实可以用sigmoid_cross_entropy_with_logits，此时logits层只需要输出1个单元，不过你用softmax配合二分类也没问题，只要维度匹配就好。

修改后的完整cnn_model_fn参考 #

def cnn_model_fn(features,labels,mode):
    input_layer = tf.reshape(features, [-1,128,128,3])
    #Convolution layer #1
    conv1 = tf.layers.conv2d(input_layer,filters=28,kernel_size=[5,5],padding="same",activation=tf.nn.relu)
    #Pooling layer #1
    pool1=tf.layers.max_pooling2d(inputs=conv1,pool_size=[2,2],strides=2)
    #Convolution layer #2
    conv2 = tf.layers.conv2d(pool1,filters=14,kernel_size=[5,5],padding="same",activation=tf.nn.relu)
    #Pooling layer #2
    pool2=tf.layers.max_pooling2d(inputs=conv2,pool_size=[2,2],strides=2)
    # Dense Layer - 用flatten替代手动reshape
    pool2_flat = tf.layers.flatten(pool2)
    dense = tf.layers.dense(inputs=pool2_flat, units=128, activation=tf.nn.relu)
    dense2 = tf.layers.dense(inputs=dense, units=64, activation=tf.nn.relu)
    dense3 = tf.layers.dense(inputs=dense2, units=32, activation=tf.nn.relu)
    dropout = tf.layers.dropout(inputs=dense3, rate=0.4, training=mode == learn.ModeKeys.TRAIN)
    # Logits Layer
    logits = tf.layers.dense(inputs=dropout, units=2)
    loss = None
    train_op = None
    # Calculate Loss (for both TRAIN and EVAL modes)
    if mode != learn.ModeKeys.INFER:
        # 修正onehot的depth为2
        onehot_labels = tf.one_hot(indices=tf.cast(labels, tf.int32), depth=2)
        loss = tf.losses.softmax_cross_entropy(
            onehot_labels=onehot_labels, logits=logits)
    # Configure the Training Op (for TRAIN mode)
    if mode == learn.ModeKeys.TRAIN:
        train_op = tf.contrib.layers.optimize_loss(
            loss=loss,
            global_step=tf.contrib.framework.get_global_step(),
            learning_rate=0.001,
            optimizer="Adam")  # 换成Adam优化器
    # Generate Predictions
    predictions = {
        "classes": tf.argmax(
            input=logits, axis=1),
        "probabilities": tf.nn.softmax(
            logits, name="softmax_tensor")
    }
    # 补上之前遗漏的EstimatorSpec返回，否则会触发新错误
    return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions, loss=loss, train_op=train_op)

内容的提问来源于stack exchange，提问作者James