使用GridSearchCV调优含callbacks的KerasClassifier时出现样本数不匹配错误

这个错误的核心是你的fit_params配置或传入的callbacks中，意外引入了样本数不匹配的数据，导致GridSearchCV在调用Keras模型的fit方法时，接收到了多个样本数不一致的输入（错误提示里的[1500, 1500, 1]，说明有一个参数的样本数是1，和训练集的1500样本冲突）。

常见的触发原因 #

• Callbacks中错误设置了validation_data：比如你在EarlyStopping、ModelCheckpoint这类callback里手动指定了validation_data，但这个数据的y数组长度是1（比如误传了一个标量或者单元素数组），和训练集的1500样本数不匹配。
• fit_params重复传入了y参数：GridSearchCV会自动把你调用grid.fit(X, y)时传入的y传递给模型的fit方法，如果你在fit_params里又手动加了'y': some_wrong_array，就会导致模型接收到两个y（原始的1500样本和你传入的错误样本），加上X的样本数，就出现了三个不同的样本数。
• Callback初始化时的低级错误：比如不小心把某个标量值（比如1）当成了数据参数传给callback，导致内部生成了单样本的输入。

解决步骤 #

1. 检查你的callbacks列表
   确保所有callback都没有手动设置validation_data，或者如果必须设置，要保证validation_data=(X_val, y_val)中的X_val和y_val样本数一致，且和训练集逻辑匹配（比如不能是1个样本）。比如：

   # 正确的callback初始化（用validation_split让Keras自动拆分）
   early_stop = EarlyStopping(monitor='val_loss', patience=3)
   # 错误的示例（不要这么做）
   # bad_stop = EarlyStopping(monitor='val_loss', patience=3, validation_data=(X, [1]))
   

2. 精简fit_params的内容
   fit_params只需要传入callbacks和Keras fit方法需要的其他参数（比如validation_split、verbose等），不要重复传入X、y这类GridSearchCV已经自动处理的参数。正确的配置应该是：

   fit_params = {
       'callbacks': [early_stop],
       'validation_split': 0.2,  # 可选，让Keras自动拆分验证集
       'verbose': 1
   }
   

3. 验证模型包装的正确性
   如果你用了KerasClassifier或KerasRegressor包装Keras模型，确保build_fn里的模型输入输出形状和你的数据匹配（输入(3,10,10)，输出1维），没有在包装时错误设置会影响样本数的参数。

完整的正确示例 #

from sklearn.model_selection import GridSearchCV
from tensorflow.keras.wrappers.scikit_learn import KerasClassifier
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, Flatten, Dense
from tensorflow.keras.callbacks import EarlyStopping

def build_model():
    # 构建适配输入(3,10,10)的模型
    model = Sequential()
    model.add(Conv2D(32, (3,3), activation='relu', input_shape=(3,10,10)))
    model.add(Flatten())
    model.add(Dense(1, activation='sigmoid'))  # 输出1维，匹配(1500,)的y
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

# 初始化包装后的模型
keras_model = KerasClassifier(build_fn=build_model, verbose=0)

# 超参数网格
param_grid = {
    'epochs': [10, 20],
    'batch_size': [32, 64]
}

# 初始化正确的callbacks
early_stop = EarlyStopping(monitor='val_loss', patience=3, restore_best_weights=True)
callbacks_list = [early_stop]

# 正确的fit_params配置
fit_params = {
    'callbacks': callbacks_list,
    'validation_split': 0.2,
    'verbose': 1
}

# 运行网格搜索
grid_search = GridSearchCV(estimator=keras_model, param_grid=param_grid, cv=3)
grid_search.fit(X, y)  # X shape (1500,3,10,10), y shape (1500,)

内容的提问来源于stack exchange，提问作者Jundong