Resolvendo InvalidArgumentError: Incompatible shapes no Keras

O erro InvalidArgumentError: Incompatible shapes é uma exceção comum em Keras que indica uma incompatibilidade nas formas dos tensores durante operações como treinamento de modelos. Isso geralmente ocorre quando os dados de entrada ou as camadas intermediárias têm dimensões que não correspondem ao esperado pelo modelo.

Principais Causas e Soluções

1. Incompatibilidade na forma dos dados de entrada

Se o modelo espera dados com uma forma específica, como imagens de tamanho (64, 64, 3), mas recebe dados com forma diferente, como (32, 32, 3), o erro será disparado. A solução é garantir que os dados de entrada estejam pré-processados para corresponder à forma definida no modelo.

import tensorflow as tf
from tensorflow.keras import layers, models

# Definindo um modelo com entrada esperada de (128, 128, 3)
input_layer = layers.Input(shape=(128, 128, 3))
hidden = layers.Dense(64, activation='relu')(input_layer)
neural_network = models.Model(inputs=input_layer, outputs=hidden)

# Verificando a forma da entrada
print(neural_network.input_shape)  # Saída: (None, 128, 128, 3)

2. Incompatibilidade entre camadas do modelo

Cada camada em uma rede neural produz tensores com formas específicas. Se a saída de uma camada não corresponder à entrada da próxima, o erro ocorrerá. Use model.summary() para inspecionar as formas e ajustar as camadas conforme necessário.

from tensorflow.keras.layers import Conv2D, AveragePooling2D

input_data = layers.Input(shape=(100, 100, 3))
conv1 = Conv2D(32, (4, 4), activation='relu')(input_data)
pool1 = AveragePooling2D((2, 2))(conv1)
conv2 = Conv2D(64, (4, 4), activation='relu')(pool1)
pool2 = AveragePooling2D((2, 2))(conv2)

complete_model = models.Model(inputs=input_data, outputs=pool2)
complete_model.summary()  # Inspeciona as formas de cada camada

3. Inconsistência no pré-processamento de dados

Durante o carregamento ou transformação de dados, é comum que as formas variem. Utilize ferramentas como ImageDataGenerator para padronizar as dimensões durante o pré-processamento.

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# Configurando um gerador para redimensionar imagens para (100, 100)
data_gen = ImageDataGenerator(rescale=1./255)
batch_iterator = data_gen.flow_from_directory(
    'dataset/train',
    target_size=(100, 100),
    batch_size=16,
    class_mode='categorical'
)

# Verificando a forma dos lotes
for images_batch, labels_batch in batch_iterator:
    print(images_batch.shape)  # Saída: (16, 100, 100, 3)
    break

Verificação e Ajuste de Formas

Para diagnosticar problemas de forma, inspecione os tensores e as camadas usando atributos como .shape ou métodos como layer.input_shape. Se necessário, utilize camadas de redimensinoamento como Reshape ou Flatten para transformar os dados.

from tensorflow.keras.layers import Flatten

# Exemplo usando Flatten para ajustar uma forma plana
tensor_input = layers.Input(shape=(10, 10, 5))
flattened = Flatten()(tensor_input)
simple_model = models.Model(inputs=tensor_input, outputs=flattened)

print(simple_model.output_shape)  # Saída: (None, 500)

Ao garentir que todas as formas sejam consistentes desde os dados até as camadas finais, o erro Incompatible shapes pode ser evitado, permitindo o treinamento suave do modelo.