我的问题是对这个问题的一个小扩展。我的图像尺寸为256×256，我的掩码尺寸为65536×4，因为我对其进行了扁平化处理（重塑数组），我有4个类别，因此是4。现在，我想训练一个U-Net来进行多类预测。以下是我的代码：

...

正如我所怀疑的，我无法正确地输入真实值。但我不知道如何解决这个问题。我该如何告诉网络将真实值的每个维度视为其自身的类别呢？

产生的错误如下：

ValueError: 无法为形状为 (1, 65536, 4) 的值提供给张量 ‘conv2d_transpose_20_target:0’，其形状为 ‘(?, ?, ?, ?)’

更新

下面的被接受的答案似乎确实解决了上述问题，但它不让我使用 model.load_weights('model-dsbowl2018-1.h5') 加载权重，因为它给我以下错误：

ValueError: 两个形状中的维度0必须相等，但它们是1和32。形状为 [1,1,4,32] 和 [32,1,1,1]。对于 ‘Assign_148’（操作：’Assign’）的输入形状：[1,1,4,32]，[32,1,1,1]。

更新已解决 在训练多类分割网络时，您必须至少有2张图像。不知何故，单张图像是不够的。（我只是使用一张图像来进行健全性检查）

回答：

根据您的模型架构，看起来您保留了原始图像的尺寸，因此您的标签应该具有尺寸 (256,256,4)。由于Keras在训练时总是需要4维张量，因此您的Y_train应具有以下尺寸

Y_train = [batch_size,img_height,img_width,number_of_classes]

查看错误维度 (1, 65536, 4) 您传递的

1 = batch_size ,65536 扁平化图像和 4 = num_of_classes

这个 65536 应该重塑为 (256, 256)

所以Y_train将是

Y_train = [1,256,256,4] 

如果您想扁平化图像，您可以在模型中使用以下方式扁平化图像

from keras import backend as KK.flatten()

因此，您应该更改读取图像并执行扁平化操作的代码，而是保持图像的空间维度。

还有另一个观察，您定义输出类别数量的层

outputs = Conv2DTranspose(1, (1, 1), activation='sigmoid') (c9) 

那应该改为

outputs = Conv2DTranspose(4, (1, 1), activation='softmax') (c9)#因为您有4个输出类别