构建音频音符识别模型时遇Shape不兼容ValueError问题求助

问题原因 #

• 测试集标签类别覆盖不全：训练集包含完整的88个钢琴音符类别，但测试集仅覆盖其中86个，独热编码后测试集标签维度为86，而模型输出层是按88类设计的，导致形状不兼容。
• 预处理时类别映射不一致：划分数据集后，单独对测试集做独热编码，没有复用训练集的完整类别列表，导致编码维度和训练集脱节。

解决方法 #

1. 强制统一独热编码的类别映射 #

先从训练集中提取完整的88个类别列表，用这个列表作为测试集编码的基准，确保测试集编码后维度和训练集一致（缺失类别的列会填充0）。
示例代码（基于sklearn）：

from sklearn.preprocessing import OneHotEncoder
import numpy as np

# 提取训练集的全部类别（假设y_train是一维数组）
class_labels = np.unique(y_train)
# 初始化编码器，指定固定类别
encoder = OneHotEncoder(categories=[class_labels], sparse_output=False)
# 拟合训练集并编码
y_train_encoded = encoder.fit_transform(y_train.reshape(-1, 1))
# 用同一编码器编码测试集
y_test_encoded = encoder.transform(y_test.reshape(-1, 1))

2. 用分层划分保证类别完整性 #

划分训练/测试集时，使用分层抽样，确保测试集包含所有类别的样本，避免类别丢失。
示例代码：

from sklearn.model_selection import train_test_split

# stratify参数按标签分层，保证各集类别分布一致
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, stratify=y, random_state=42
)

3. 验证编码后形状 #

训练前务必检查编码后的标签形状：

print(f"训练集标签形状: {y_train_encoded.shape}")
print(f"测试集标签形状: {y_test_encoded.shape}")

确认两者第二维度均为88后，再送入模型训练。

内容的提问来源于stack exchange，提问作者Shoam