TensorFlow多输出多分类模型使用SparseCategoricalCrossentropy报错求助

错误原因 #

你遇到的ValueError: Tensor conversion requested dtype float32 for Tensor with dtype int32，核心问题出在F1Score指标的配置上：

• F1Score默认数据类型为float32，但稀疏分类任务的标签（int32类型）无法直接转换为该类型；
• 多分类场景下，F1Score必须指定average参数（如'macro'、'micro'），否则无法正确计算；
• 模型输出为logits，需要告知F1Score直接基于logits计算，无需提前转成概率。

修复方案 #

修改模型编译阶段的metrics配置，将字符串形式的'F1Score'替换为实例化的F1Score对象，明确指定参数：

model.compile(
    optimizer='adam',
    loss={
        'y': tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
        'gcd': tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
    },
    metrics={
        'y': 'accuracy',
        'gcd': tf.keras.metrics.F1Score(average='macro', dtype='int32', from_logits=True)
    }
)

参数说明 #

• average='macro'：对每个类别计算F1值后取平均，适合多分类任务，你也可以根据需求换成'micro'或'weighted'；
• dtype='int32'：与稀疏标签的数据类型匹配，避免类型转换错误；
• from_logits=True：告知指标模型输出是未经过softmax的logits，无需额外转换。

完整修复后代码 #

import numpy as np
import tensorflow as tf
from sklearn.preprocessing import OneHotEncoder

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train / 255.0
x_test = x_test / 255.0
x_train = x_train.reshape(-1, 784)
x_test = x_test.reshape(-1, 784)

def get_gcd(i):
    if i == 0:
        return 0
    elif i == 1:
        return 1
    else:
        for j, k in enumerate([2, 3, 5, 7]):
            if i % k == 0:
                return j + 2
y_train_gcd = np.array([get_gcd(i) for i in y_train])
y_test_gcd = np.array([get_gcd(i) for i in y_test])

y_train = [y_train, y_train_gcd]
y_test = [y_test, y_test_gcd]

inp = tf.keras.Input(shape=(784,))
x = tf.keras.layers.Dense(128, activation='relu')(inp)
output_y = tf.keras.layers.Dense(10, name='y')(x)
output_gcd = tf.keras.layers.Dense(6, name='gcd')(x)
model = tf.keras.Model(inputs=inp, outputs=[output_y, output_gcd])
model.compile(
    optimizer='adam',
    loss={
        'y': tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
        'gcd': tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
    },
    metrics={
        'y': 'accuracy',
        'gcd': tf.keras.metrics.F1Score(average='macro', dtype='int32', from_logits=True)
    }
)
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test)) 

内容的提问来源于stack exchange，提问作者nike01705