TensorFlow中用单浮点列预测独热编码标签报错排查

错误原因 #

你输入层定义的是标量输入（shape=[]），而tf.expand_dims(inputs, 1)中指定的axis=1超出了标量的维度范围——标量仅拥有0维，允许的axis取值只能是[-1, 0]，因此触发维度无效的报错。

解决方案 #

有两种可行的修正方式，推荐第一种更规范的写法：

方案1：直接定义输入层为单特征维度（推荐）

调整输入层的shape为(1,)，这样无需手动扩展维度，同时确保数据集的输入样本为形状(1,)的张量：

# 修正数据集构建：将单列数据转为shape=(样本数,1)的格式
sample_train_dataset = tf.data.Dataset.from_tensor_slices((train_df.pos_norm.values.reshape(-1,1), train_labels_one_hot))
sample_test_dataset = tf.data.Dataset.from_tensor_slices((test_df.pos_norm.values.reshape(-1,1), test_labels_one_hot))

# 修正输入层与模型构建
inputs = layers.Input(shape=(1,), dtype=tf.double)
outputs = layers.Dense(num_classes, activation="softmax")(inputs)  # 无需tf.expand_dims
model_sample = tf.keras.Model(inputs=inputs, outputs=outputs, name="sample_model")

方案2：保留标量输入层，调整expand_dims的axis

如果坚持用标量输入层，将axis=1改为axis=0或axis=-1（两者等价，都是给标量增加一个维度，转为shape=(1,)的张量）：

inputs = layers.Input(shape=[], dtype=tf.double)
outputs = layers.Dense(num_classes, activation="softmax")(tf.expand_dims(inputs, 0))  # 替换axis=1为0或-1
model_sample = tf.keras.Model(inputs=inputs, outputs=outputs, name="sample_model")

额外建议 #

你的EarlyStopping监控的是accuracy（训练集准确率），如果想基于验证集表现提前停止以避免过拟合，建议改为监控val_accuracy：

callbacks = [tf.keras.callbacks.EarlyStopping(monitor="val_accuracy", patience=3)]

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