皮肤癌图像分类中logits与labels形状不匹配错误的解决

问题背景 #

使用TensorFlow框架和ISIC皮肤癌图像数据集构建CNN分类模型，修改代码后运行出现以下错误：

ValueError: `logits` and `labels` must have the same shape, received ((None, 9) vs (None, 1)).

错误原因 #

1. 损失函数与任务类型不匹配：当前是9分类任务，却误用了二分类的BinaryCrossentropy损失函数。模型最后一层输出为(None,9)的多分类logits（搭配softmax激活），但二分类损失要求标签与输出形状一致，而你的标签是(None,1)的单维度整数标签，导致形状不兼容。
2. 标签格式与损失函数不匹配：你的标签是单维度的类别索引格式，但BinaryCrossentropy不支持该格式的多分类标签。

解决方案 #

方案1：使用适配整数标签的多分类损失函数（推荐） #

将损失函数替换为SparseCategoricalCrossentropy，该损失函数专门处理单维度整数标签的多分类任务，无需对标签做one-hot编码：

• 修改参数配置中的loss_func值为"SparseCategoricalCrossentropy"
• 保持模型最后一层的softmax激活不变（已正确设置fin_acti = "softmax"）

方案2：转标签为one-hot编码并使用多分类损失函数 #

若要使用CategoricalCrossentropy，需完成以下操作：

1. 将标签转换为one-hot格式（形状变为(None,9)）
2. 修改损失函数为"CategoricalCrossentropy"
3. 数据加载时设置label_mode='categorical'（例如使用tf.keras.utils.image_dataset_from_directory时指定该参数）

额外检查 #

确认数据加载的标签模式：若使用image_dataset_from_directory，默认label_mode='int'，对应方案1的SparseCategoricalCrossentropy；若手动处理标签，需保证标签格式与所选损失函数匹配。

修改后的参数配置示例 #

densities = [32 , 64 , 128 , 256 , 512 , 1024] 
acties = ["relu" , "relu" , "relu" , "relu" , "relu" , "relu"] 
fin_acti = "softmax"
n = 6
classes = 9
learning_rate = 0.001
# 替换为多分类适用的损失函数
loss_func = "SparseCategoricalCrossentropy"
optimizer = "adam"
epochs = 10
model , history = proto_model(n , densities , classes , acties , fin_acti , learning_rate , loss_func , optimizer , epochs)

内容的提问来源于stack exchange，提问作者Subho