Keras模型拟合报错：Shapes (None,16,3)与(None,)不兼容求助

核心问题 #

你的模型输出维度为 (None, 16, 3)，但标签维度是 (None,)（或扩展后的 (None,1)），两者维度不兼容。原因在于：
Embedding 层输出的是 (批次大小, 序列长度, 嵌入维度)（即 (None,16,32)），后续的 Dense 层默认会对每个时间步单独计算，导致最终输出保留了序列长度维度（16）。但你的任务是单标签分类，每个样本只需要一个分类结果，必须先把序列维度压缩为全局特征。

具体修改方案 #

方案一：添加全局池化层（推荐）

使用 GlobalAveragePooling1D 或 GlobalMaxPooling1D 压缩序列维度，将 (None,16,32) 转换为 (None,32)，后续 Dense 层基于全局特征计算，最终输出维度为 (None,3)，与标签匹配。

修改后的模型代码：

model = tf.keras.Sequential([
  layers.Embedding(max_features, 32),
  # 全局平均池化，压缩序列维度
  layers.GlobalAveragePooling1D(),
  layers.Dense(128,activation="relu"),
  layers.Dropout(0.2),
  layers.Dense(256,activation="relu"),
  layers.Dropout(0.2),
  layers.Dense(128,activation="relu"),
  layers.Dropout(0.2),
  layers.Dense(64,activation="relu"),
  layers.Dense(3, activation="softmax")])

方案二：使用 Flatten 层展开序列

如果序列长度固定（这里是16），可以用 Flatten 将 (None,16,32) 展开为 (None, 512)（16*32），后续基于展开后的向量计算，最终输出维度同样为 (None,3)。

修改后的模型代码：

model = tf.keras.Sequential([
  layers.Embedding(max_features, 32),
  # 展开序列维度
  layers.Flatten(),
  layers.Dense(128,activation="relu"),
  layers.Dropout(0.2),
  layers.Dense(256,activation="relu"),
  layers.Dropout(0.2),
  layers.Dense(128,activation="relu"),
  layers.Dropout(0.2),
  layers.Dense(64,activation="relu"),
  layers.Dense(3, activation="softmax")])

为什么之前的尝试无效 #

你对标签做独热编码或扩展维度，只是改变了标签的形状，但模型输出依然保留了序列长度维度（16），因此维度不匹配的问题并未解决。核心是要先修正模型的输出结构，压缩序列维度。

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