这个错误的原因很明确——你混淆了CIFAR-10和CIFAR-100的类别数量！

问题分析 #

你加载的是CIFAR-100数据集，它包含100个不同的类别，标签值范围是0-99。但你的模型最后一层只定义了10个神经元（tf.keras.layers.Dense(10, activation='softmax')），这相当于告诉模型只需要处理10个类别（标签范围0-9）。当损失函数收到99这种超出预期范围的标签时，自然就报错了。

修复步骤 #

只需要修改模型的输出层，把神经元数量改成100即可：

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(32,32,3)),
    tf.keras.layers.Dense(500, activation='relu'),
    tf.keras.layers.Dense(300, activation='relu'),
    tf.keras.layers.Dense(100, activation= 'softmax')  # 这里从10改成100
])

额外优化建议（可选） #

用纯全连接层处理CIFAR-100的图像数据，效果通常不会太好——因为全连接层很难捕捉图像的空间特征。如果想提升模型性能，可以考虑加入卷积层，比如这样：

model = tf.keras.Sequential([
    # 卷积层提取图像特征
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(32,32,3)),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    # 全连接层分类
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(256, activation='relu'),
    tf.keras.layers.Dense(100, activation='softmax')
])

这样修改后，重新运行训练代码就不会再出现标签范围错误了。

内容的提问来源于stack exchange，提问作者user17839237