tf.keras的model.fit为何会扩展y_true的维度？

核心原因 #

Keras的Model.fit会自动对标签维度做一致性适配：当模型输出是二维张量（形状(batch_size, num_classes)）时，Keras会把一维标签自动扩展为二维（形状变为(batch_size, 1)），保证标签和模型输出的维度数量一致。这是Keras内部为统一处理单标签、多标签等不同场景设计的默认行为。

结合代码的具体分析 #

1. CIFAR-10数据集的y_train原始形状是(50000, 1)（二维数组），你在CustomData的初始化里用tf.squeeze(label_data)把它转成了一维张量(50000,)，每个batch的标签形状是(2,)。
2. 但Model.fit在把数据传给损失函数前，会自动将这个一维标签扩展为二维(2, 1)，目的是和模型输出的二维形状(2, 10)的维度数对齐。
3. 而tf.nn.sparse_softmax_cross_entropy_with_logits要求标签维度必须比logits维度少1（即logits是二维时，标签需要是一维），因此触发了维度不匹配的错误。

验证方式 #

你可以在自定义损失函数的call方法里添加打印语句，确认y_true的形状变化：

def call(self, y_true, y_pred):
    print("y_true shape:", y_true.shape)  # 输出为 (None, 1)
    return tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y_true, logits=y_pred))

补充说明 #

这个自动扩维的设计是为了让损失函数兼容更多场景，比如多标签分类的标签本身就是二维的，不需要额外修改就能直接使用。对于稀疏交叉熵这种需要一维标签的场景，要么在损失函数里用tf.squeeze去掉多余维度，要么在数据生成阶段就确保标签维度符合损失函数的要求。

内容的提问来源于stack exchange，提问作者Wilson