使用Conv1D和sparse_categorical_crossentropy训练CNN的数据形状问题

核心问题：数据维度理解错误 #

你的输入数据形状是(1, 1000, 4)，但你要区分的是4个独立信号，每个信号含1000个浮点数。当前你把4个信号放在了同一个样本的「特征维度」（第三维）里，导致样本数（第一维）为1，和标签的4个样本完全不匹配，这是所有报错的根源。

错误拆解 #

1. 当使用labels=np.array([0,1,2,3])或labels=np.array([[0],[1],[2],[3]])时：
   输入x的样本数是1，标签y的样本数是4，Keras要求x和y的样本数必须一致，因此触发Data cardinality is ambiguous报错。
2. 当使用labels=np.array([[0,1,2,3]])时：
   模型输出形状是[1,4]（1个样本，4个类别的概率），但标签形状是[4]，维度不匹配，触发logits and labels must have the same first dimension报错。

修正步骤 #

1. 调整输入数据形状 #

将输入数据从(1, 1000, 4)转换为(4, 1000, 1)，这样：

• 第一维4：代表4个独立样本（即你要区分的4个信号）
• 第二维1000：每个信号的时间步长
• 第三维1：每个时间步的特征数（单通道信号）

代码示例：

import numpy as np
# 假设你的原始输入是x_raw，形状为(1,1000,4)
x_raw = np.random.rand(1, 1000, 4)  # 示例数据
x = np.transpose(x_raw, (2, 1, 0))  # 转置后形状为(4,1000,1)

2. 调整标签形状 #

使用一维整数数组作为标签，形状为(4,)，每个元素对应一个样本的类别：

labels = np.array([0, 1, 2, 3])

3. 修改模型输入维度 #

将Conv1D的input_shape改为(1000, 1)，匹配调整后的输入样本形状：

import tensorflow as tf
from tensorflow.keras import models, layers

model = models.Sequential([
  layers.Conv1D(16, 24, input_shape=(1000, 1), activation="relu"),
  layers.MaxPooling1D(pool_size=24, strides=24),
  layers.Conv1D(8, 8, activation="relu"),
  layers.MaxPooling1D(pool_size=8, strides=8),
  layers.Flatten(),
  layers.Dense(64, activation="relu"),
  layers.Dense(64, activation="relu"),
  layers.Dense(4, activation="softmax")
])

model.compile(optimizer=tf.keras.optimizers.Adam(), 
              loss='sparse_categorical_crossentropy', 
              metrics=['accuracy'])

4. 验证训练 #

现在x的形状是(4,1000,1)，labels形状是(4,)，两者样本数一致，且符合sparse_categorical_crossentropy的要求：

• 模型输出形状为(4,4)（4个样本，每个样本对应4个类别的概率）
• 标签为一维整数数组，每个值对应样本的真实类别

执行训练：

model.fit(x, labels, epochs=10)

关于binary_crossentropy的问题 #

binary_crossentropy适用于二分类或多标签分类任务（每个样本可以属于多个类别），而你的场景是多分类任务（每个样本属于且仅属于一个类别），因此用它会导致损失函数的计算逻辑不匹配，最终优化效果差。

内容的提问来源于stack exchange，提问作者user10889578