对于Keras来说，我还比较陌生，并且正在尝试使用TensorFlow后端实现U-Net架构，以便在许多256x256图像上进行像素级，多类分类。输入形状和输出形状均为256x256x1（批大小也为1）。
我有30多个类，因此我尝试使用sparse_categorical_crossentropy作为损失函数（常规分类交叉熵给我带来了内存错误），正如许多在线论坛建议的那样。当我将“ metric”参数从“ accuracy”更改为“ sparse_categorical_accuracy”时，出现此错误：
InvalidArgumentError: Incompatible shapes: [65536] vs. [1,256,256]
[[{{node metrics_3/sparse_categorical_accuracy/Equal}} =
Equal[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:GPU:0"](metrics_3/sparse_categorical_accuracy/Reshape, metrics_3/sparse_categorical_accuracy/Cast)]]
[[{{node metrics_3/sparse_categorical_accuracy/Mean/_749}} =
_Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device_incarnation=1, tensor_name="edge_3000_metrics_3/sparse_categorical_accuracy/Mean", tensor_type=DT_FLOAT,
_device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
似乎期望我的输出是1D而不是2D？我需要更改数据格式吗？但是，当我尝试在我的U-Net的末尾使用平坦层紧随其后的是一层致密层（产生65536个矢量输出）来平坦化输出时，出现另一个错误，表示预期的输出尺寸为1。我也尝试过将最后一层中的通道数更改为我正在使用的类的总数（以使输出为256x256xnum_classes），但是出现相同的错误。
此外，当我只是将“ metric”参数保留为“ accuracy”时，代码会运行，但损失始终为NaN，精度非常快地收敛到约0.008。在这种情况下，“准确性”默认为什么？
sparse_categorical_accuracy有这些已知问题吗？我一直无法在网上找到很多信息，关于此特定损失函数的Keras文档也很稀少。任何帮助表示赞赏！请让我知道是否还需要代码的其他部分来帮助调试。