TensorFlow多输出模型训练报错：target与output维度不匹配

你遇到的报错核心是分类损失函数与标签格式不匹配：categorical_crossentropy要求标签是独热编码格式（形状为(None, 6)，和softmax输出维度一致），但你的分类标签是单个类别编号（形状(None,)），两者维度不匹配导致报错。以下是两种直接有效的修复方案：

方案一：将分类标签转换为独热编码 #

使用TensorFlow内置工具把整数索引标签转为独热编码，让标签维度和输出维度对齐：

import tensorflow as tf

# 假设你的分类标签数组为 y_categorical（元素是0-5的整数）
y_categorical_onehot = tf.keras.utils.to_categorical(y_categorical, num_classes=6)

训练时传入转换后的独热编码标签，原损失函数配置保持不变即可。

方案二：更换分类损失函数为sparse_categorical_crossentropy #

这种方法不需要修改标签，直接调整损失函数配置，sparse_categorical_crossentropy专门适配整数索引形式的分类标签：

losses = {'output_numerical': 'mse', 'output_categorical': 'sparse_categorical_crossentropy'}
loss_weights = {'output_numerical': 1.0, 'output_categorical': 1.0}
model.compile(optimizer=optimizer, loss=losses, loss_weights=loss_weights)

该方案更简洁，避免了额外的标签转换步骤，适合标签本身就是0开始连续整数索引的场景。

注意事项 #

如果使用方案一，需确保分类标签的编号是从0到5的连续整数（对应6个类别），若标签编号不连续或不是从0开始，需先做映射转换，比如用sklearn.preprocessing.LabelEncoder处理。

内容的提问来源于stack exchange，提问作者user12009027