Expected: keras_tensor Received: inputs=('Tensor(shape=(1, 512, 512, 1))',)

Keras 中 keras_tensor 类型不匹配问题分析
在 Keras 的模型构建过程中，可能会遇到输入张量 (inputs) 和目标张量 (y_true) 之间的形状或类型不一致的问题。这种错误通常发生在定义自定义损失函数或者多输出模型时。
错误原因解析
当定义一个多尺度检测器（如 YOLOv3），需要提供多个 Ground Truth 输入张量来对应不同分辨率下的预测结果。如果这些张量的维度或数据类型不符合预期，则会引发类型不匹配问题[^1]。具体来说：

张量形状冲突：例如，Tensor("input_2:0", shape=(?, 13, 13, 3, 5+类别数), dtype=float32) 表明其期望的是 (batch_size, height, width, anchors, attributes) 形状的数据。但如果实际传入的张量形状与此不符，则会出现错误。

数据类型差异：即使形状正确，但数据类型的转换也可能导致问题。比如，在某些情况下，可能需要将标签数据从整数形式转为独热编码 (one-hot encoding)[^2]。

以下是针对上述问题的具体解决方案。

解决方案
方法一：调整输入张量形状
确保输入张量的形状与模型需求完全一致。可以通过以下方式验证并修正：
import numpy as np

# 假设 batch_size=1, 高度宽度分别为 13x13, 26x26, 52x52,
# anchor 数目为 3，属性数目为 5 加上类别数
categories = 80 # 如 COCO 数据集有 80 类
anchors = 3
attributes = 5 + categories

# 创建符合要求的 y_true 张量
y_true_13 = np.random.rand(1, 13, 13, anchors, attributes).astype(np.float32)
y_true_26 = np.random.rand(1, 26, 26, anchors, attributes).astype(np.float32)
y_true_52 = np.random.rand(1, 52, 52, anchors, attributes).astype(np.float32)

print(y_true_13.shape) # 输出应为 (1, 13, 13, 3, 85)
登录后复制
以上代码片段展示了如何生成满足特定形状和数据类型的张量。
方法二：检查数据预处理逻辑
对于分类任务中的标签数据，需将其转化为适合神经网络训练的形式。例如，使用 to_categorical() 将整数值标签转换成独热向量表示[^2]:
from tensorflow.keras.utils import to_categorical

labels = [0, 1, 2, ..., num_classes-1]
num_classes = max(labels) + 1
encoded_labels = to_categorical(labels, num_classes=num_classes)
登录后复制
注意，此处假设标签是从零开始编号的连续整数序列。如果不是这种情况，则需要先对其进行重新映射。
方法三：调试自定义损失函数
如果实现了自己的损失函数，并且发现存在类型不匹配的情况，可以尝试打印出相关变量的信息以便定位问题所在：
def custom_loss(y_true, y_pred):
print(f"Shape of y_true: {tf.shape(y_true)}")
print(f"Dtype of y_true: {y_true.dtype}")

loss_value = tf.reduce_mean(tf.square(y_true - y_pred))
return loss_value
登录后复制
通过这种方式能够确认传递给损失函数的实际参数是否符合设计初衷。
方法四：加载预训练权重前校验配置一致性
由于提到该问题是基于 DarkNet 修改后的 MobileNet 结构产生的[^4]，因此还需要特别关注以下几个方面：

网络架构定义是否完整；
权重文件路径设置无误；
图像尺寸、通道顺序等超参保持统一。

总结
综上所述，解决 Keras 中 keras_tensor 类型不匹配的关键在于仔细核对每一处涉及张量操作的地方——无论是外部输入还是内部计算过程。只有保证所有参与运算的对象均具备相同的规格特性，才能有效规避此类异常的发生。