当使用预训练CNN（如Xception）进行特征提取后构建多分类模型时，若标签未转换为one-hot编码格式，会导致Dense(3, activation='softmax')层输出形状与真实标签形状不兼容，引发“Shapes (None, 1) and (None, 3) are incompatible”错误。

当使用预训练cnn（如xception）进行特征提取后构建多分类模型时，若标签未转换为one-hot编码格式，会导致`dense(3, activation='softmax')`层输出形状与真实标签形状不兼容，引发“shapes (none, 1) and (none, 3) are incompatible”错误。

在迁移学习中，将预训练模型（如Xception）用于多分类任务时，一个常见误区是直接复用二分类的标签处理逻辑。image_dataset_from_directory默认返回整型标签（如[0, 1, 2]），其shape为(batch_size,)——即一维整数张量；而Dense(3, activation='softmax')配合categorical_crossentropy损失函数要求真实标签为one-hot编码格式，shape应为(batch_size, num_classes)（例如(32, 3)）。

因此，关键修复在于：在特征提取阶段，将原始整型标签转换为one-hot编码。需引入keras.utils.to_categorical（注意：np_utils已弃用，应使用keras.utils）：

from keras.utils import to_categorical  # ✅ 正确导入

def get_features_and_labels(dataset):
    all_features = []
    all_labels = []
    for images, labels in dataset:
        preprocessed_images = keras.applications.xception.preprocess_input(images)
        features = conv_base.predict(preprocessed_images)
        all_features.append(features)
        all_labels.append(labels)
    # 将整型标签转为 one-hot 编码，适配 categorical_crossentropy
    return np.concatenate(all_features), to_categorical(np.concatenate(all_labels), num_classes=3)

⚠️ 注意事项：

• to_categorical()必须指定num_classes=3，否则可能推断错误（尤其当某批次未覆盖全部类别时）；
• 损失函数必须与标签格式严格匹配：categorical_crossentropy ←→ one-hot标签；若坚持用整型标签，则应改用sparse_categorical_crossentropy，此时Dense层输出无需修改，但需同步调整编译配置：

  outputs = layers.Dense(3, activation="softmax")(x)
  model = keras.Model(inputs, outputs)
  model.compile(
    loss="sparse_categorical_crossentropy",  # ✅ 支持整型标签
    optimizer="rmsprop",
    metrics=["accuracy"]
  )

此外，确保输入层形状与Xception特征图输出一致：Xception在input_shape=(180,180,3)且include_top=False时，最后一层输出为(None, 6, 6, 2048)，因此Input(shape=(6, 6, 2048))正确无误。完整模型定义如下：

inputs = keras.Input(shape=(6, 6, 2048))
x = layers.Flatten()(inputs)
x = layers.Dense(256, activation="relu")(x)  # 建议添加激活函数
x = layers.Dropout(0.5)(x)
outputs = layers.Dense(3, activation="softmax")(x)
model = keras.Model(inputs, outputs)
model.compile(
    loss="categorical_crossentropy",  # 或 "sparse_categorical_crossentropy"
    optimizer="rmsprop",
    metrics=["accuracy"]
)

总结：多分类迁移学习中，标签格式与损失函数的匹配是核心前提。优先推荐to_categorical + categorical_crossentropy组合（语义清晰、调试友好），并始终显式指定类别数，避免隐式推断导致的维度错误。