TensorFlow报错：sparse_categorical_crossentropy下logits与labels维度不匹配

错误原因 #

你用pd.get_dummies把取值1-5的Score标签转换成了独热编码格式（形状为(样本数量, 5)），但sparse_categorical_crossentropy损失函数的设计目标是处理整数索引格式的标签（形状为(样本数量,)，每个值是1-5的整数）。两者维度不匹配，就触发了这个错误。

两种解决方法 #

方法一：更换损失函数为categorical_crossentropy

独热编码标签对应categorical_crossentropy损失函数，直接修改模型编译代码：

model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

• 若模型最后一层使用了softmax激活，直接用上述代码即可；
• 若最后一层未加激活函数，需在损失函数中指定from_logits=True：

  loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True)
  

方法二：将独热编码标签转回整数索引格式

放弃pd.get_dummies的独热编码处理，直接使用原始的Score值，或者把已生成的独热编码转成整数索引：

# 假设独热编码标签存储在df['one_hot_labels']列，转回整数索引
labels = df['one_hot_labels'].idxmax(axis=1)

# 或者直接使用原始的Score列（无需转换为0开始的索引，sparse_categorical_crossentropy支持1-5的类别）
labels = df['Score'].values

之后继续使用sparse_categorical_crossentropy作为损失函数即可。

额外注意 #

模型最后一层的Dense单元数必须设置为5（对应1-5共5个类别），例如：

model.add(Dense(5, activation='softmax'))

内容的提问来源于stack exchange，提问作者Raptor