Keras Conv2D CNN — ошибка при проверке цели — ожидаемый меньший результат

Я складываю 6 слоев 2D-спутниковых изображений (данные x) и пытаюсь запустить CNN по ним, чтобы классифицировать земной покров (используя 8 классов земного покрова, взятых из переформатированного слоя данных о культурах Министерства сельского хозяйства США - данные y).

Данные x сформированы (2004, 2753, 6), а y сформированы (2004, 2753, 8) изначально, и я использовал data_x.reshape(-1,2004,2752,6) (то же самое для y), чтобы добавить дополнительное измерение в качестве модели.

8 категорий в наборе данных y представляют 8 возможных категорий земного покрова в числовом формате в 8 диапазонах (т. е. 1-й диапазон — это кукуруза и представлен единицами для положительного результата и 0 для отсутствия кукурузы).

Однако, когда я пытаюсь запустить модель, ожидаемая форма не соответствует тому, что ей передается. Я не уверен, использую ли я правильную структуру модели или структуру данных - одной из идей было бы взять 8 полос набора данных y.

Основываясь на серьезном поиске в Google, я научился получать данные в правильном формате с правильным количеством измерений и т. д., но чувствую, что падаю на последнее препятствие в отношении измерений (и, скорее всего, правильная подготовка данных x & y наборы).

Ниже представлена ​​модель CNN.

input_shape=([2004, 2753, 6])

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),strides=(1, 1),activation='relu',input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2,2), strides=(2, 2), padding="same"))
model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2), padding="same"))
model.add(Dropout(0.25))
#model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(8, activation='softmax'))
#model.add(Flatten())
model.summary()

Резюме модели - ожидаем 500, 687, 8 в конце

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_54 (Conv2D)           (None, 2002, 2751, 32)    1760      
_________________________________________________________________
max_pooling2d_52 (MaxPooling (None, 1001, 1376, 32)    0         
_________________________________________________________________
conv2d_55 (Conv2D)           (None, 999, 1374, 32)     9248      
_________________________________________________________________
max_pooling2d_53 (MaxPooling (None, 500, 687, 32)      0         
_________________________________________________________________
dropout_57 (Dropout)         (None, 500, 687, 32)      0         
_________________________________________________________________
dense_59 (Dense)             (None, 500, 687, 128)     4224      
_________________________________________________________________
dropout_58 (Dropout)         (None, 500, 687, 128)     0         
_________________________________________________________________
dense_60 (Dense)             (None, 500, 687, 8)       1032      
=================================================================
Total params: 16,264
Trainable params: 16,264
Non-trainable params: 0
_________________________________________________________________

компилировать

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

model.compile(loss='categorical_crossentropy',
            optimizer='sgd',
            metrics=['accuracy'])

fit - и где я получаю сообщение об ошибке

history = model.fit(x_train3d, y_train3d,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_split=0.2, validation_data=None)

форма x_train3D = (1, 2004, 2753, 6) форма y_train3D = (1, 2004, 2753, 8)

сообщение об ошибке

ValueError: Error when checking target: expected dense_58 to have shape (500, 687, 8) but got array with shape (2004, 2753, 8)

Опять же, я подозреваю, что это связано с необходимостью получения данных в правильном формате как для ввода, так и для вывода, но также, вероятно, что-то не так в спецификации модели. Буду признателен за некоторые рекомендации, поскольку я новичок в Керасе.