TensorFlow构建11类天气图像分类神经网络时出现形状不匹配错误求助

看起来你遇到的是张量形状不匹配的问题，错误提示里的Reshape节点报错，说明数据集的维度顺序和模型预期的对不上，我们一步步来解决：

核心问题分析 #

你的输入数据X_train是(12288, 1080)的格式（特征数在前，样本数在后），但TensorFlow的tf.data.Dataset默认是按单个样本为单位处理的，也就是每个元素应该是(特征数,)的形状，batch之后是(batch_size, 特征数)。而你当前的数据集构建方式，会让minibatch的维度完全反过来，导致后续的reshape/运算出现形状冲突。

具体修复步骤 #

• 调整数据集的维度顺序
  在构建Dataset之前，先把训练集和测试集的特征、标签都转置，把样本数放到第一维度：

  # 转置训练集：从(特征数, 样本数)转为(样本数, 特征数)
  X_train = tf.transpose(X_train)
  Y_train = tf.transpose(Y_train)
  # 测试集同理
  X_test = tf.transpose(X_test)
  Y_test = tf.transpose(Y_test)
  

• 修正前向传播的输入维度
  调整维度后，minibatch_X的形状已经是(minibatch_size, 12288)，不需要再转置了，把前向传播的调用改成：

  Z3 = forward_propagation(minibatch_X, parameters)
  

• 修正损失计算和准确率更新的输入
  现在Z3（logits）的形状是(minibatch_size, 11)，minibatch_Y的形状也是(minibatch_size, 11)，所以：

  • 损失计算：把compute_total_loss(Z3, tf.transpose(minibatch_Y))改成compute_total_loss(Z3, minibatch_Y)
  • 准确率更新：把train_accuracy.update_state(minibatch_Y, tf.transpose(Z3))改成train_accuracy.update_state(minibatch_Y, Z3)
  • 测试集的准确率更新同理，去掉tf.transpose(Z3)

• 检查参数初始化的维度是否匹配11类
  你的函数注释里原来写的是6类，但实际是11类，要确保initialize_parameters里最后一层的W3形状是(11, 上一层神经元数)，b3是(11, 1)，如果这里还是按6类初始化的话，也会导致形状不匹配的问题。

额外提示 #

你可以在构建Dataset后，打印一下minibatch的形状来验证：

for (minibatch_X, minibatch_Y) in minibatches:
    print(minibatch_X.shape, minibatch_Y.shape)
    break

正常应该输出(32, 12288) (32, 11)这样的结果。

按照这些步骤调整后，应该能解决当前的形状不匹配错误，如果还有问题，可以再检查forward_propagation里的矩阵运算维度是否对应哦。

备注：内容来源于stack exchange，提问作者Ayoub