适配1维y_train/y_test的VIME半监督代码报错求助

问题背景 #

VIME的TensorFlow实现中vime_semi.py默认输入的标签y_train、y_test是2维独热编码数组，但我的数据集标签是1维类别索引数组。修改代码后运行出现以下报错：

ValueError: Cannot feed value of shape (128,) for Tensor Placeholder_1:0, which has shape (None, 1000)
报错位置在_, y_loss_curr = sess.run([solver, y_loss],处。

错误原因分析 #

修改代码时存在两个核心错误：

1. label_dim计算错误：原代码label_dim = len(y_train[0, :])是获取独热编码的维度（即类别总数），但你改成了label_dim = len(y_train)，这得到的是训练样本数量而非类别数，导致占位符和输出层维度完全错误。
2. 占位符与损失函数不匹配：原代码用softmax_cross_entropy损失，要求标签是2维独热编码；而1维类别索引需要用sparse_softmax_cross_entropy损失，同时占位符的形状和数据类型也需要对应调整。

解决方案 #

步骤1：修正label_dim的计算 #

将标签维度改为数据集中的类别总数：

# 替换原错误的label_dim计算
label_dim = len(np.unique(y_train))

步骤2：调整y_input占位符的形状和类型 #

因为是1维类别索引，占位符形状设为[None]，类型用整数型：

# 替换原y_input定义
y_input = tf.compat.v1.placeholder(tf.int32, [None])

步骤3：修改损失函数为稀疏交叉熵 #

使用适配1维标签的sparse_softmax_cross_entropy：

# 替换原y_loss定义
y_loss = tf.compat.v1.losses.sparse_softmax_cross_entropy(labels=y_input, logits=y_hat_logit)

步骤4：确认标签数据处理保持1维 #

你代码中对y_train、y_valid、y_batch的切片处理是正确的，保持1维即可，无需额外扩展维度。

修改后的关键代码片段 #

# Basic parameters
data_dim = len(x_train[0, :])
# 修正label_dim计算
label_dim = len(np.unique(y_train))
print("LABEL DIM: ", label_dim)

# ... 省略中间代码 ...

# Input placeholder
# Labeled data
tf.compat.v1.disable_eager_execution()

x_input = tf.compat.v1.placeholder(tf.float32, [None, data_dim])
# 修正y_input的形状和类型
y_input = tf.compat.v1.placeholder(tf.int32, [None])

# ... 省略中间代码 ...

# Defin losses
# Supervised loss
# 替换为稀疏交叉熵损失
y_loss = tf.compat.v1.losses.sparse_softmax_cross_entropy(labels=y_input, logits=y_hat_logit)
# Unsupervised loss
yu_loss = tf.compat.v1.reduce_mean(tf.nn.moments(yv_hat_logit, axes=0)[1])

内容的提问来源于stack exchange，提问作者Sahil Sahu