我正在使用U-Net架构来训练细分模型。我将灰度图像作为输入，并将对应的标签的二进制蒙版图像存储在numpy数组中。
它们都具有形状(total_imgs, rows, cols, 1)
就像在根据本文https://arxiv.org/abs/1505.04597的体系结构中一样，我希望有两个输出类-一个用于前景，一个用于背景。本文似乎做到这一点的方法是将模型的最后一个conv层更改为具有形状（none，rows，cols，2）。
我试图在我的模型中做到这一点。我的模型架构如下：
input_1 (InputLayer) (None, 256, 256, 1) 0
_______________________________________________________________________________
conv2d_21 (Conv2D) (None, 256, 256, 64) 73792 concatenate_4[0][0]
_______________________________________________________________________________
conv2d_22 (Conv2D) (None, 256, 256, 64) 36928 conv2d_21[0][0]
_______________________________________________________________________________
conv2d_23 (Conv2D) (None, 256, 256, 2) 130 conv2d_22[0][0]
==================================================================
Total params: 31,034,498
Trainable params: 31,032,578
Non-trainable params: 1,920
但是，由于我的输入是灰度的，因此出现此错误
Error when checking target expected conv2d_23 to have shape (256, 256, 2) but got array with shape (256, 256, 1)
我如何更改我的输入数据以满足此要求，然后进行两节课训练？
我尝试更改输入，以使掩码具有2个通道，以匹配输出类别的数量。
imgdatas = np.ndarray((len(imgs), 256, 256 ,1), dtype=np.uint8) #grascale
imglabels = np.ndarray((len(imgs), 256, 256, 2), dtype=np.uint8) #if I change channels to 2 the model runs
但是，尽管这允许模型运行，但我仍然面临问题：